★ 2
新方法用稀疏搜索日志与零成本代理做跨任务架构搜索
论文提出风险鲁棒的跨任务神经架构搜索策略,结合稀疏源日志与零成本代理,通过冠军初始化和成对排序器联合预训练。在 TransNAS-Bench-101 上将最差 10% 排名从 290 降至 43,13 个目标中 10 个优于纯代理排序器。
arXiv cs.LG7 天前
共 3 篇相关资讯,按重要度与时间排序,每 3 小时更新。
论文提出风险鲁棒的跨任务神经架构搜索策略,结合稀疏源日志与零成本代理,通过冠军初始化和成对排序器联合预训练。在 TransNAS-Bench-101 上将最差 10% 排名从 290 降至 43,13 个目标中 10 个优于纯代理排序器。
研究者构建了来自主流 AI 模型的产品排名数据集,估计 Plackett-Luce 排序模型,分析 AI 购物助手中介下的零售品类规划。结果显示忽略 AI 中介会导致 2.52% 至 11.37% 的营收损失,而基于拟合 AI 效用排序的简单确定性插件可将损失控制在 0.53% 以内。
研究者提出 DeFiRank,一种基于联邦学习的成对排序框架,让多家机构在不共享私有交易数据的前提下协同训练排序模型,用于评估去中心化金融网络中的服务提供者。在真实区块链交易数据上,其 NDCG@15 约为 0.87,略低于中心化基线 0.92,但保护了数据隐私并保持排序稳定性。