Joyanta Jyoti Mondal
PulseAugur coverage of Joyanta Jyoti Mondal — every cluster mentioning Joyanta Jyoti Mondal across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
FlowNeg 方法通过多样化负采样增强知识图谱嵌入
研究人员开发了 FlowNeg，一种用于在知识图谱嵌入 (KGE) 模型中生成多样化且信息丰富的负样本的新方法。该方法利用上下文条件分层生成流网络来选择既是困难负样本又避免与正例冲突的实体。跨不同架构和基准的实验表明，FlowNeg 在平均倒数排名 (MRR) 方面优于 EMU 和 IF-NS 等现有方法，证明了其在改进 KGE 模型学习方面的有效性。
-
新的亚二次方法改进了 MDP 的双模拟度量计算
研究人员开发了一种新颖的亚二次方法来计算马尔可夫决策过程（MDP）中的双模拟度量。这种新方法利用近似最近邻（ANN）索引来有效地选择状态对进行更新，与传统的二次方法相比，大大降低了计算成本。该技术提供了覆盖增强的保证，确保即使并非所有状态对都得到更新，全局误差也能得到控制，并提供了可计算的双边证书来验证度量的准确性。
-
新的 Bandit 算法确保推荐系统中的公平曝光
研究人员开发了一种新的随机 Bandit 方法，该方法解决了最小曝光约束问题，这对于推荐系统和内容策展等应用至关重要。提出的 BDQ-UCB 算法确保了曝光地板的确定性满足，实现了由非强制性预算而非总时间范围决定的公平遗憾。MOSS 和 kl-UCB++ 等变体提供了进一步的优化，匹配的下界确立了 minimax 速率。该框架在涉及重叠组地板的复杂场景中尤其有效，可保证可行性和与现有方法相比具有竞争力的遗憾。
-
新方法通过图约简和离线学习增强上下文老虎机算法 · 跟踪3个来源
研究人员开发了新的上下文老虎机（contextual bandits）方法，这是一种专注于顺序决策的机器学习问题。一种名为GraphDR-LinUCB的方法利用图降维技术，通过将臂特征投影到谱子空间来提高推荐和广告系统的性能。该方法实现了$\wtO(k\sqrt{T})$的遗憾界限，在多个真实数据集上显著优于全维方法和其他图感知技术。另一个框架，离线估计到决策（Offline Estimation to Decisions, OE2D…