مقابله با سوگیری جریان اصلی از طریق یادگیری محلی تطبیقی ​​انتها به انتها: وزن تطبیقی

جدول پیوندها

چکیده و 1 مقدمه

2 مقدماتی

3 یادگیری محلی تطبیقی ​​سرتاسر

3.1 ترکیبی از متخصصان ضرر محور

3.2 یادگیری همزمان از طریق وزن تطبیقی

4 آزمایش Debiasing و 4.1 راه اندازی آزمایشی

4.2 عملکرد منحرف کننده

4.3 مطالعه فرسایش

4.4 اثر ماژول وزن تطبیقی ​​و 4.5 مطالعه فراپارامتر

5 کارهای مرتبط

6 نتیجه گیری، قدردانی ها و مراجع

3.2 یادگیری همزمان از طریق وزن تطبیقی

پس از پرداختن به مشکل مدل‌سازی اختلاف، یکی دیگر از دلایل اصلی سوگیری جریان اصلی، مشکل یادگیری ناهمگام است – مشکلات یادگیری برای کاربران مختلف متفاوت است، و کاربران در طول آموزش با سرعت‌های مختلف به اوج عملکرد می‌رسند (برای مثال به شکل 1 مراجعه کنید). بنابراین، روشی برای همگام سازی سرعت یادگیری کاربران مورد نظر است. ما یک رویکرد وزن تطبیقی ​​برای دستیابی به همگام‌سازی یادگیری طراحی می‌کنیم تا بر معضل مبادله عملکرد بین کاربران اصلی و کاربران خاص غلبه شود.

وزن تطبیقی انگیزه اساسی روش پیشنهادی در پیوند دادن وضعیت یادگیری یک کاربر به عملکرد از دست دادن کاربر در دوره فعلی نهفته است. از دست دادن زیاد برای یک کاربر به معنای یادگیری ناکارآمد توسط مدل است که نیاز به دوره های بیشتری برای پیش بینی های دقیق دارد. برعکس،…