针对音视频多模态学习中因异质学习速率导致单一模态主导模型学习过程,抑制其他模态学习,进而削弱多模态协同决策效果的问题,提出一种基于自适应梯度调制的多模态平衡学习方法(adaptive gradient modulation based compensation and reg...针对音视频多模态学习中因异质学习速率导致单一模态主导模型学习过程,抑制其他模态学习,进而削弱多模态协同决策效果的问题,提出一种基于自适应梯度调制的多模态平衡学习方法(adaptive gradient modulation based compensation and regularization,AGM-CR)。首先,根据模态间的学习梯度差异引入调制系数来自适应调整各模态的学习速率;然后,通过梯度均衡化策略,将单个模态的梯度损失作为正则项融入总损失来约束模态间梯度差异,进一步平衡各模态的学习过程;最后,实验结果表明在CREMA-D和RAVDESS数据集上,AGM-CR将分类准确率分别提高了2.5和3.3百分点,并在多次迭代中减小模型的梯度波动,表现出更高的训练稳定性和收敛速度。与现有的平衡方法相比,AGM-CR可即插即用,更具灵活性和通用性。展开更多
近年来,社会化推荐成为了推荐领域的研究热点。在基于用户历史行为的推荐算法中引入用户的社交关系,能够缓解推荐系统面临的数据稀疏性和冷启动的问题。本文提出了一种基于相对信任增强的推荐算法(relative trust enhancement recommend...近年来,社会化推荐成为了推荐领域的研究热点。在基于用户历史行为的推荐算法中引入用户的社交关系,能够缓解推荐系统面临的数据稀疏性和冷启动的问题。本文提出了一种基于相对信任增强的推荐算法(relative trust enhancement recommendation algorithm based on the CosRA,RTECosRA)。该算法在“用户-物品”的二部图网络中,基于CosRA相似性指标进行资源分配,在资源分配过程中引入用户的信任关系,调整受信任用户获得的资源值,从而提高受信任用户所选物品的推荐率。在FriendFeed和Epinions数据集上的实验结果显示,相比于基准算法,RTECosRA算法在准确性和多样性上均有提高,且加入信任关系后,扩大了用户的可推荐范围,一定程度上缓解了冷启动问题。展开更多
文摘针对音视频多模态学习中因异质学习速率导致单一模态主导模型学习过程,抑制其他模态学习,进而削弱多模态协同决策效果的问题,提出一种基于自适应梯度调制的多模态平衡学习方法(adaptive gradient modulation based compensation and regularization,AGM-CR)。首先,根据模态间的学习梯度差异引入调制系数来自适应调整各模态的学习速率;然后,通过梯度均衡化策略,将单个模态的梯度损失作为正则项融入总损失来约束模态间梯度差异,进一步平衡各模态的学习过程;最后,实验结果表明在CREMA-D和RAVDESS数据集上,AGM-CR将分类准确率分别提高了2.5和3.3百分点,并在多次迭代中减小模型的梯度波动,表现出更高的训练稳定性和收敛速度。与现有的平衡方法相比,AGM-CR可即插即用,更具灵活性和通用性。
文摘近年来,社会化推荐成为了推荐领域的研究热点。在基于用户历史行为的推荐算法中引入用户的社交关系,能够缓解推荐系统面临的数据稀疏性和冷启动的问题。本文提出了一种基于相对信任增强的推荐算法(relative trust enhancement recommendation algorithm based on the CosRA,RTECosRA)。该算法在“用户-物品”的二部图网络中,基于CosRA相似性指标进行资源分配,在资源分配过程中引入用户的信任关系,调整受信任用户获得的资源值,从而提高受信任用户所选物品的推荐率。在FriendFeed和Epinions数据集上的实验结果显示,相比于基准算法,RTECosRA算法在准确性和多样性上均有提高,且加入信任关系后,扩大了用户的可推荐范围,一定程度上缓解了冷启动问题。
