亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

推薦系統在我們的日常生活中發揮著越來越重要的作用，特別是在許多以用戶為導向的在線服務中，推薦系統在緩解信息過載問題方面發揮著重要作用。推薦系統的目標是通過利用用戶和物品的交互來提高匹配的準確性，識別出一組最符合用戶顯性或隱性偏好的對象(即物品)。

隨著深度神經網絡(DNNs)在過去幾十年的快速發展，推薦技術已經取得了良好的性能。然而，現有的基于DNN的方法在實踐中存在一些缺陷。更具體地說，他們認為推薦過程是一個靜態的過程，并按照一個固定的貪心策略進行推薦; 現有的大多數基于DNN的推薦系統都是基于手工制作的超參數和深度神經網絡架構;它們將每個交互視為單獨的數據實例，而忽略了實例之間的關系。

在本教程中，我們將全面介紹深度推薦系統中解決上述問題的先進技術的最新進展，包括深度強化學習(DRL)、自動機器學習(AutoML)和圖神經網絡(GNN)。

通過這種方式，我們希望這三個領域的研究人員能夠對空間有更深刻的理解和準確的洞察，激發更多的想法和討論，促進推薦技術的發展。

//deeprs-tutorial.github.io/

強化學習(RL)使智能體能夠通過動態環境中的交互學習最佳決策。深度學習和強化學習的最新進展使得智能體在各個領域都取得了前所未有的成功，并在許多任務中取得了超人的表現。RL和深度學習影響了當今學術界和工業的幾乎所有領域，將它們應用于信息檢索(IR)的興趣越來越大。像谷歌和阿里巴巴這樣的公司已經開始使用基于強化學習的搜索和推薦引擎來個性化他們的服務，并在他們的生態系統中增強用戶體驗。

目前學習RL的在線資源要么專注于理論，犧牲了實踐，要么局限于實踐，缺乏足夠的直覺和理論背景。這個全天的教程是為信息檢索研究人員和實踐者精心定制的，以獲得最流行的RL方法的理論知識和實踐經驗，使用PyTorch和Python Jupyter 筆記本谷歌Colab。我們的目的是讓參加者具備RL的應用知識，幫助他們更好地了解有關RL的最新IR出版物，并使他們能夠使用RL解決自己的IR問題。

我們的教程不需要任何關于該主題的知識，并從基本概念和算法開始，如馬爾科夫決策過程，探索與利用，Q-學習，決策梯度和Actor-Critic算法。我們特別關注強化學習和深度學習的結合，使用深度Q-Network (DQN)等算法。最后，我們描述了如何利用這些技術來解決代表性的IR問題，如“學習排序”，并討論了最近的發展以及對未來研究的展望。

目錄內容： RL Basics and Tabular Q-Learning Deep Q-Network (DQN) 1/2 (presentation) Deep Q-Network (DQN) 2/2 (hands-on) IR Applications using DQN Policy Gradient (REINFORCE) IR Applications using REINFORCE Actor Critic Outlook

2021年第14屆國際網絡搜索與數據挖掘會議WSDM將在2021年3月8日到12日于線上舉行。今年此次會議共收到了603份有效投稿，最終錄取篇數為112篇，錄取率為18.6%。在WSDM上，有關于《偏見感知推薦系統的進展》教程值得關注！

排名和推薦系統在當今的網絡平臺上扮演著關鍵角色，肯定會影響到大量用戶的信息搜索行為。然而，這些系統是根據經常傳遞不平衡和不平等的數據進行訓練的，這些模式可能在系統提供給最終用戶的結果中被捕捉和強調，從而產生偏見，提供不公平的結果。鑒于偏見信息尋求成為一個威脅,

(1) 研究跨學科概念和問題空間,

(2) 制定和設計一個bias-aware算法管道,和

(3)和減輕落地的偏見的影響,同時保留底層系統的有效性,正在迅速成為熱門的研究熱點。

本教程是圍繞這個主題組織的，向WSDM社區介紹了在評估和緩解推薦系統中的數據和算法偏差方面的最新進展。我們將首先介紹概念基礎，通過調研當前的技術狀態和描述真實世界的例子，從幾個角度(例如，倫理和系統的目標)偏見如何影響推薦算法。

本教程將繼續系統地介紹算法解決方案，以便在推薦設計過程中發現、評估和減少偏見。然后，一個實用的部分將向與會者提供處理前、處理中和處理后消除偏見算法的具體實現，利用開源工具和公共數據集。在本部分中，教程參與者將參與偏倚對策的設計，并闡明對利益相關者的影響。最后，我們將分析這個充滿活力和迅速發展的研究領域中出現的開放問題和未來的方向，從而結束本教程。

//biasinrecsys.github.io/wsdm2021/

這份簡明推薦系統教程為你指南！

元學習可以讓機器學習新的算法。這是一個新興且快速發展的機器學習研究領域，對所有人工智能研究都有影響。最近的成功案例包括自動模型發現、少槍學習、多任務學習、元強化學習，以及教機器閱讀、學習和推理。正如人類不會從頭開始學習新任務，而是利用之前所學的知識一樣，元學習是高效和穩健學習的關鍵。本教程將介紹該領域及其應用的重要數學基礎，包括這個領域中當前技術水平的關鍵方法，該領域對眾多AAAI參與者來說越來越重要。

//sites.google.com/mit.edu/aaai2021metalearningtutorial

內容目錄：

• 元學習導論
• 多任務學習
• 元學習
• 自動機器學習
• 應用

大多數大型在線推薦系統，如新聞推送排名、人員推薦、工作推薦等，通常都有多個實用工具或指標需要同時優化。經過訓練以優化單一效用的機器學習模型通過參數組合在一起，生成最終的排名函數。這些組合參數驅動業務指標。找到正確的參數選擇通常是通過在線A/B實驗，這是非常復雜和耗時的，特別是考慮到這些參數對指標的非線性影響。

在本教程中，我們將討論如何應用貝葉斯優化技術為這樣復雜的在線系統獲取參數，以平衡競爭性指標。首先，我們將深入介紹貝葉斯優化，包括一些基礎知識以及該領域的最新進展。其次，我們將討論如何將一個真實世界的推薦系統問題制定為一個可以通過貝葉斯優化解決的黑盒優化問題。我們將專注于一些關鍵問題，如新聞推送排名、人員推薦、工作推薦等。第三，我們將討論解決方案的架構，以及我們如何能夠為大規模系統部署它。最后，我們將討論該領域的擴展和一些未來的發展方向。

//sites.google.com/view/ijcai2020-linkedin-bayesopt/home

不確定性的概念在機器學習中是非常重要的，并且構成了現代機器學習方法論的一個關鍵元素。近年來，由于機器學習與實際應用的相關性越來越大，它的重要性也越來越大，其中許多應用都伴隨著安全要求。在這方面，機器學習學者們發現了新的問題和挑戰，需要新的方法發展。事實上，長期以來，不確定性幾乎被視為標準概率和概率預測的同義詞，而最近的研究已經超越了傳統的方法，也利用了更一般的形式主義和不確定性計算。例如，不確定性的不同來源和類型之間的區別，例如任意不確定性和認知不確定性，在許多機器學習應用中被證明是有用的。講習班將特別注意這方面的最新發展。

綜述論文：

不確定性的概念在機器學習中是非常重要的，并且構成了機器學習方法的一個關鍵元素。按照統計傳統，不確定性長期以來幾乎被視為標準概率和概率預測的同義詞。然而，由于機器學習與實際應用和安全要求等相關問題的相關性穩步上升，機器學習學者最近發現了新的問題和挑戰，而這些問題可能需要新的方法發展。特別地，這包括區分(至少)兩種不同類型的不確定性的重要性，通常被稱為任意的和認知的。在這篇論文中，我們提供了機器學習中的不確定性主題的介紹，以及到目前為止在處理一般不確定性方面的嘗試的概述，并特別將這種區別形式化。

//www.zhuanzhi.ai/paper/8329095368761f81a7849fe5457949ed

第14屆推薦系統頂級會議ACM RecSys在9月22日到26日在線舉行。來自意大利Polytechnic University of Turin做了關于對抗推薦系統的教程《Adversarial Learning for Recommendation: Applications for Security and Generative Tasks – Concept to Code》，186頁ppt，干貨內容，值得關注。

//recsys.acm.org/recsys20/tutorials/#content-tab-1-3-tab

對抗式機器學習(AML)是從識別計算機視覺任務中的漏洞(如圖像分類)開始，研究現代機器學習(ML)推薦系統中的安全問題的研究領域。

在本教程中，我們將全面概述AML技術在雙重分類中的應用:(i)用于攻擊/防御目的的AML，以及(ii)用于構建基于GAN的推薦模型的AML。此外，我們將把RS中的AML表示與兩個實際操作會話(分別針對前面的分類)集成在一起，以顯示AML應用程序的有效性，并在許多推薦任務中推進新的想法和進展。

本教程分為四個部分。首先，我們總結了目前最先進的推薦模型，包括深度學習模型，并定義了AML的基本原理。在此基礎上，我們提出了針對RSs的攻擊/防御策略的對抗性推薦框架和基于GAN實踐環節。最后，我們總結了這兩種應用的開放挑戰和可能的未來工作。

基于協同過濾(CF)的潛在因素模型(LFM)，如矩陣分解(MF)和深度CF方法，由于其良好的性能和推薦精度，在現代推薦系統(RS)中得到了廣泛的應用。盡管近年來取得了巨大的成功，但事實表明，這些方法易受對抗性例子的影響，即，這是一種微妙但非隨機的擾動，旨在迫使推薦模型產生錯誤的輸出。這種行為的主要原因是，用于LFM訓練的用戶交互數據可能會受到惡意活動或用戶誤操作的污染，從而導致不可預測的自然噪聲和危害推薦結果。另一方面，研究表明，這些最初設想用于攻擊機器學習應用程序的系統可以成功地用于增強它們對攻擊的魯棒性，以及訓練更精確的推薦引擎。在這方面，本調查的目標有兩方面:(i)介紹關于AML-RS的最新進展，以保障AML-RS的安全性。(ii)展示了AML在生成對抗網絡(GANs)中的另一個成功應用，生成對抗網絡(GANs)使用了AML學習的核心概念(即用于生成應用程序。在這項綜述中，我們提供了一個詳盡的文獻回顧60篇文章發表在主要的RS和ML雜志和會議。這篇綜述為RS社區提供了參考，研究RS和推薦模型的安全性，利用生成模型來提高它們的質量。

【導讀】新加坡國立大學的Xiang Wang、Tat-Seng Chua，以及來自中國科學技術大學的Xiangnan He在WSDM 2020會議上通過教程《Learning and Reasoning on Graph for Recommendation》介紹了基于圖學習和推理的推薦系統，涵蓋了基于隨機游走的推薦系統、基于網絡嵌入的推薦系統，基于圖神經網絡的推薦系統等內容。

Tutorial摘要：

推薦方法構建預測模型來估計用戶-項目交互的可能性。之前的模型在很大程度上遵循了一種通用的監督學習范式——將每個交互視為一個單獨的數據實例，并基于“信息孤島”進行預測。但是，這些方法忽略了數據實例之間的關系，這可能導致性能不佳，特別是在稀疏場景中。此外，建立在單獨數據實例上的模型很難展示推薦背后的原因，這使得推薦過程難以理解。

在本教程中，我們將從圖學習的角度重新討論推薦問題。用于推薦的公共數據源可以組織成圖，例如用戶-項目交互(二部圖)、社交網絡、項目知識圖(異構圖)等。這種基于圖的組織將孤立的數據實例連接起來，為開發高階連接帶來了好處，這些連接為協作過濾、基于內容的過濾、社會影響建模和知識感知推理編碼有意義的模式。隨著最近圖形神經網絡(GNNs)的成功，基于圖形的模型顯示了成為下一代推薦系統技術的潛力。本教程對基于圖的推薦學習方法進行了回顧，重點介紹了GNNs的最新發展和先進的推薦知識。通過在教程中介紹這一新興而有前景的領域，我們希望觀眾能夠對空間有更深刻的理解和準確的洞察，激發更多的想法和討論，促進技術的發展。

Tutorial大綱：