Feb, 2024

确保及时性和准确性：一种新颖的滑动窗口数据流推荐方法

PDF
TL;DR提出了一种针对实时直播推荐系统的数据流设计范式 Sliver，以解决数据标签的及时性和准确性问题，通过减小窗口大小和滑动窗口相应地实现，同时提出了一种时间敏感的重新推荐策略，通过定期请求推荐服务来减少请求和展示之间的延迟，从而提高推荐服务和特征的及时性，实验结果证明 Sliver 在多个典型的多任务推荐模型中在所有指标上均优于两个具有不同窗口大小的固定窗口数据流。在快手直播平台上部署 Sliver 后，在在线 A/B 测试中展现出显著提升的点击率（CTR）和新关注人数（NFN），进一步验证了 Sliver 的有效性。
发现论文，激发创造
  • 流式推荐系统

    本文提出 sRec 框架，使用变分贝叶斯方法来处理流式推荐系统数据，并在真实数据集上的实验结果表明其优于其他流推荐系统的算法。

    Jul, 2016

  • 非平稳环境下基于数据流的具有验证延迟的主动学习

    本文研究了有关时间变量和未知延迟验证对于主动学习问题的影响，提出了一种基于 PRopagate 和一个依据漂移情况的动态预算策略的解决方案。通过实验评估，发现该方法在不同的延迟时间和预算设置下优于现有技术。此外，还证明了在时间上变化预算分配可以提高主动学习策略的性能，而不增加总体标记预算。

    Apr, 2022

  • 重新思考流式机器学习评估

    探讨了流式机器学习问题的本质，阐述了延迟标签等实际挑战，建议采用新的性能度量标准来评估模型。

    May, 2022

  • 具有短回顾的半监督漂移流学习

    提出了一种基于生成回放框架的半监督漂移流学习方法，能够解决在机器学习中标记数据有限，数据漂移、历史流数据存储有限以及短视窗下的模型更新等问题。

    May, 2022

  • 持续原型演变：从非稳态数据流中在线学习

    通过在共享的潜变量空间中不断更新原型解决了在线学习中原型过时和缓解遗忘的问题，提出了一种学习和预测任意时间点数据的系统。除了最近邻预测之外，通过提高类原型周围的聚类密度和增加类间方差来促进学习的同时，使用记忆库中的样本构成虚拟原型来提高潜在空间质量。

    Sep, 2020

  • 未知时态漂移下的无分布预测推理

    本文提出了一种选择自适应窗口并利用其中的数据构建预测集的策略，通过优化估计的偏差 - 方差平衡来选择窗口，并为该方法提供了明确的覆盖保证，展示了其对潜在时间漂移的适应性。通过对合成和实际数据进行数值实验，验证了其有效性。

    Jun, 2024

  • 针对物联网数据流的轻量级概念漂移检测和适应框架

    提出了自适应物联网数据分析框架，在优化的 LightGBM 和概念漂移适应的基础上实现异常检测。通过实验验证，该框架具有高准确性和效率，并且不需要人类干预即可进行连续学习和漂移自适应。

    Apr, 2021

  • 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

  • 流式主动学习：针对现实多分布环境的流式学习

    本文提出了一种基于子模信息度量的新型流式活动学习框架 STREAMLINE，该框架通过识别切片、切片感知预算和数据选择的三步过程来补偿工作标记数据中情节驱动的切片不平衡，并在真实世界的流式场景中对图像分类和目标检测任务进行了广泛评估，发现相比基线方法 STREAMLINE 在数据的不频繁但关键的情节上的性能提高了 5％的分类准确度和 8％的 mAP。

    May, 2023

  • 当用户选择时从流式数据中学习

    在由许多竞争服务组成的数字市场中，用户根据自己的偏好在多个服务提供商之间进行选择，所选择的服务利用用户数据来逐步改进其模型。服务提供商的模型影响用户在下一个时间步选择的服务，而用户的选择反过来又影响模型更新，从而形成了一个反馈循环。本文对上述动态进行了形式化，并开发了一个简单高效的分散算法来在本地最小化总体用户损失。理论上，我们证明了我们的算法渐近收敛到整体损失的稳定点。我们还通过真实世界数据实验证明了我们算法的实用性。

    Jun, 2024