DML یادگیری چند وظیفه ای را با اثربخشی اثبات شده و استقرار در دنیای واقعی متحول می کند.

چکیده و 1 مقدمه

  1. روش شناسی
  2. آزمایش ها
  3. نتیجه گیری و مراجع

4. نتیجه گیری

در این مقاله، ما چارچوبی را پیشنهاد می کنیم Deep ممعمولی Lکسب درآمد از طریق برج های وظیفه (DML) که با شبکه های چند وظیفه ای مختلف ستون فقرات سازگار است. آزمایش‌های آفلاین گسترده به تأیید اثربخشی DML بر روی چندین مجموعه داده دنیای واقعی و در مدل‌های پایه مختلف کمک می‌کند. علاوه بر این، مطالعات کامل ابلیشن برای تأیید و درک ارزش هر ماژول تازه معرفی شده انجام می شود. در نهایت، DML به دستاوردهای آنلاین قابل توجهی دست می یابد و قبلاً در پلتفرم آنلاین مستقر شده است.

مراجع

[1] مارتین آبادی، پل برهام، جیانمین چن، ژیفنگ چن، اندی دیویس، جفری دین، ماتیو دوین، سانجی قماوات، جفری ایروینگ، مایکل ایزارد و دیگران. 2016. Tensorflow: یک سیستم برای یادگیری ماشینی در مقیاس بزرگ.. در Osdi، جلد. 16. ساوانا، GA، ایالات متحده آمریکا، 265-283.

[2] رامان آرورا، آمیتاب باسو، پوریا میانجی و آنیربیت موکرجی. 2018. درک شبکه های عصبی عمیق با واحدهای خطی اصلاح شده. در ششمین کنفرانس بین‌المللی نمایش‌های یادگیری، ICLR 2018، ونکوور، BC، کانادا، 30 آوریل – 3 مه 2018، مجموعه مقالات کنفرانس. OpenReview.net. https://openreview.net/forum?id=B1J_rgWRW

[3] کاروانای ثروتمند. 1997. یادگیری چند کاره. ماشین…

Source link