本文为「机器之心 Pro 2024 Week 15 业内通讯」摘抄整理

「进化算法」、「Agentic Workflow」与「MAD」

Meta 论文《Actions Speak Louder than Words: Trillion-Parameter Sequential Transducers for Generative Recommendations》阅读整理

Hierarchical Sequential Transduction Unit

本文摘抄整理自《Do Generated Data Always Help Contrastive Learning？》

生成数据能否帮助模型训练？

本文整理了结合了基础模型的推荐系统的发展情况

Next Token Prediction

本文整理了近年来推荐系统领域的总体发展趋势

从 GAN 到 DiT：回顾 AI 视频生成模型的技术路径演进

本文为「机器之心 Pro 2024 Week 10 业内通讯」摘抄整理

图像世界模型

A brief introduction of Data Augmentation with Generative AI

Introduction to Data Augmentation with Generative AI

这篇论文提出了一种新的联邦推荐算法 FedRAP。FedRAP 在联邦学习框架中同时针对用户信息和项目信息实施双边个性化策略，以此来增强推荐系统在隐私保护和个性化推荐方面的表现。它通过逐步提高正则化权重，平滑地从全面个性化过渡到加性个性化。同时，FedRAP 还引入了对全局项目嵌入进行稀疏化处理的策略，有效降低了通信开销。

ICLR2024 | 更通俗的语言讲解FedRAP

本文为「机器之心 Pro 2024 Week 08 业内通讯」摘抄整理

SORA & 世界模型

以下内容摘抄自《机器之心 PRO 会员 2024 业内通讯 WEEK 05》

「Foundation Agent」 VS 「AI Agent」

这篇论文介绍了 FedRAP 方法，旨在改善联邦学习中的推荐系统。FedRAP 通过整合全局项目嵌入和个性化用户嵌入，实现了全局知识共享和本地个性化的平衡。该方法引入双向个性化和两种正则化项，通过逐步学习全局和本地视图，最终取得了出色的推荐性能。

ICLR2024 | 结合加性个性化的联邦推荐

机器学习

文章整理

文章归档

文章分类

文章标签

关于我

友情链接

友链

Github

科研

摘抄

password

icon

date

type

slug

status

title

summary

Table

类型为Notice的文章将被显示为公告，仅 hexo和next支持；仅限一个公告