MMAug, 2020

基于强化学习的流推理缓存策略管理

PDF
TL;DR本文提出了一种基于冲突驱动约束学习（CDCL）的方法，通过智能管理学习到的约束条件来有效地更新流推理算法的遗留解决方案，研究了强化学习在连续评估先前计算的约束条件的实用性，并在真实世界的重构问题上取得了显着的性能提升，为流推理场景提供了新的解决思路。
stream reasoningconstraint learningreinforcement learningincremental evaluationperformance improvement
发现论文，激发创造
  • 概念漂移下的增量式经验回放连续学习

    提出了一种新的持续性学习方法来同时处理学习和存储新信息以及适应先前概念的变化，该方法引入了一个记忆库和一个反应子空间缓冲区来解决数据流挖掘和连续学习两个领域的问题。

    Apr, 2021

  • 无线边缘多媒体流媒体结构化强化学习

    通过使用学习型策略来确定在视频流媒体环境中哪些客户端应该动态优先考虑，以提升用户体验和增加 30% 的 QoE，并使用低计算复杂度的结构化策略进行快速学习。

    Apr, 2024

  • 在重复的情况下进行连续学习

    这篇研究报告总结了 CVPR 2023 年的 CLVision 挑战赛，重点讨论了类增量学习中的数据重复问题，介绍了三个解决方案，实验证明基于模块集成的多版本策略对于利用数据流中的重复性进行持续学习是有效的。该报告强调了通过在数据流中利用重复性来促进创新策略设计的转变潜力。

    May, 2024

  • LARS 流推理的分布式方法（系统论文）

    本文提出了一种分布式流推理方法，可以在不同解算器之间分配计算并通过数据流通信的方式高效地处理决策问题。在 LARS 语言中提出一种基于间隔的语义，以对网络流量进行显着降低，并在评估中明确表明，分布式流推理在处理复杂的决策问题和不断增长的数据率时明显优于现有的独立 LARS 解算器。

    Jul, 2019

  • 深度流式正则判别分析的持续学习

    我们提出了流媒体版本的正则判别分析算法，与卷积神经网络结合，证明在 ImageNet ILSVRC-2012 数据集上表现优于批量学习和现有的流媒体学习算法。

    Sep, 2023

  • 成本感知连续学习中的快速上下文适应

    本文探讨了在 5G 等新型网络中，如何平衡学习过程和用户数据平面的资源需求，并提出了一种动态策略来达成资源的有效利用和数据保障。研究结果表明，该方法在减少对用户 QoS 干扰的同时，可以比传统静态分配方法更快地达到高效的资源分配策略，达到了一个近似理想离线联邦学习解决方案的性能。

    Jun, 2023

  • 基于狄利克雷生成的排练的持续学习

    近期的数据驱动任务导向对话系统在增量学习方面存在计算约束和耗时的问题，而连续学习试图通过避免密集的预训练来解决此问题，但它面临的问题是灾难性遗忘。本文提出了 Dirichlet 连续学习（DCL），这是一种新颖的基于生成的排练策略，用于连续学习。与传统上在条件变分自编码器（CVAE）中使用的高斯潜变量不同，DCL 利用 Dirichlet 分布的灵活性和多功能性来建模潜在先验变量。这使得它能够有效地捕捉先前任务的句子级特征并有效地指导伪样本的生成。此外，我们介绍了 Jensen-Shannon 知识蒸馏（JSKD），一种强大的基于逻辑的知识蒸馏方法，在伪样本生成期间增强了知识传递。我们的实验证实了我们方法在意图检测和槽填充任务上的有效性，并且胜过了最先进的方法。

    Sep, 2023

  • 在有限计算资源下学习来自稀疏标注数据流的连续学习

    我们提出并研究了一种现实的连续学习（CL）设置，其中学习算法在训练过程中具有每个时间步的限制计算预算。我们将此设置应用于稀疏标签率的大规模半监督连续学习场景中。我们提出了一种简单但非常有效的基准方法 DietCL，该方法联合利用未标记数据和标记数据，巧妙地分配计算预算。在多个数据集上进行验证时，DietCL 在限制预算的情况下明显优于所有现有的有监督 CL 算法以及更近期的连续半监督方法。我们的广泛分析和消融实验证明，DietCL 在标签稀疏性、计算预算和其他各种消融条件下都是稳定的。

    Apr, 2024

  • 基于扩散式生成回放的工业流数据连续学习

    基于蒸馏的自主引导 (DSG) 模型利用生成式回放机制，通过知识蒸馏从先前基于扩散的生成器向更新的生成器传输知识，从而提高了生成器的稳定性和再现数据的质量，有效缓解了在工业流数据中出现的挑战，并在 CWRU、DSA 和 WISDM 数据集上取得了优于现有基准模型的实验结果，展示了在实践工业应用中的潜力。

    Jun, 2024

  • 深度强化学习的自适应流媒体感知

    通过深度强化学习来最大化考虑到精度和延迟之间的权衡，从而为流式感知提供一种新的方法。我们的代理可以跨多个决策维度学习一种竞争策略，在公共数据集上胜过最先进的策略。

    Jun, 2021