Jan, 2025

一次性前进：高效云协同设备推荐的结构参数化适应

HTML
PDF
TL;DR本文解决了云中心推荐系统中传统数据交换带来的带宽需求和隐私风险问题，通过提出Forward-OFA，构建设备特定网络的动态结构和参数。该方法通过结构控制器确定每个设备所需的网络块，优化异构结构的共同适应性并防止梯度冲突，从而实现仅需一次前向传播即可适应用户兴趣的变化，显著提升了推荐效率。
发现论文，激发创造
  • 设备-云协作学习推荐

    本文提出了一种名为“Device-Cloud Collaborative Learning”的框架，运用“MetaPatch学习”及“MoMoDistill”算法实现了设备端和云端之间的合作学习，取得了较好的效果。

    Apr, 2021

  • 推荐系统中云协调数据增强的本地学习技术，进行极端个性化模型个性化

    本文提出了一种名为CoDA的新的设备-云协作学习框架，用于解决推荐系统中的数据异质性问题，通过从云端检索类似的样本以增加用户本地数据集进行训练，并在设备上训练个性化样本分类器进行精细数据过滤，以此改善推荐系统的性能。在线 A/B 测试结果显示CoDA在云端学习和设备本地训练中都具有显著的性能优势。

    Jan, 2022

  • 通过元控制器实现设备云协同推荐

    本研究提出一种基于meta控制器和因果透视的样本构建方法以解决设备层和云端层之间协同推荐的问题，并在工业推荐场景中展示了meta控制器的潜力。

    Jul, 2022

  • DUET：一种无需调优的设备-云协作参数生成框架，用于高效设备模型泛化

    本文通过提出一个新的对设备模型泛化的框架 DUET, 实现了不增加计算成本的 DMG 的改善，通过在强大的云服务器上部署，从而在不进行微调前提下，通过设备特定参数生成直接映射数据分布和参数。

    Sep, 2022

  • 推荐系统中基于标签纠正的设备端模型微调

    本研究针对推荐系统中的CTR预测任务，研究了如何在移动设备上有效地进行本地微调，提出了一种新的标签修正方法，并通过离线评估和在线A/B测试证明了它的必要性和优越性。

    Oct, 2022

  • IDEAL: 高效设备云协同动态推荐系统

    提出了一种名为IDEAL的智能设备-云参数请求模型，其可以检测数据领域外的请求收入来保证高收益的自适应设备-云通信，利用协作学习和动态模型来实现高效的设备-云协作和动态推荐。实验结果表明IDEAL在四个公共基准测试中具有有效性和一般性。

    Feb, 2023

  • ECLM: 高效的边缘-云协作学习与持续环境适应

    通过ECLM边缘云协作学习框架，将边缘和云模型高效协作，在动态边缘环境中提高模型性能和资源利用效率。

    Nov, 2023

  • 动态适配器遇到提示调整：基于参数效率的点云分析迁移学习

    本文的目标是研究点云分析中的参数高效迁移学习，以在任务性能和参数效率之间取得理想的平衡，通过冻结默认预训练模型的参数，并使用动态适配器和提示调整相结合的方法，捕捉每个标记的重要程度，要点功能以及实例特定特征的交互。通过在五个具有挑战性的数据集上进行的实验表明，所提出的方法在明显减少可训练参数和训练GPU存储空间（分别减少95％和35％) 的同时，实现了优于完全微调对应方法的性能。

    Mar, 2024

  • 无反向传播多模态在设备上通过云设备协作进行模型适应

    我们在日益相互连接的世界中，智能设备不断积累大量的个性化多模态数据，迫切需要提供高质量、个性化的设备感知服务。为了克服云端基于微调适应 (FTA) 存在的问题，我们引入了一种革新的通用On-Device多模态模型适应框架，通过在云端部署Fast Domain Adaptor (FDA) 和设备上的轻量级多模态模型，实现了效率和效果的平衡。为了增强跨多模态任务的适应性，AnchorFrame Distribution Reasoner (ADR) 减少了通信成本。我们的贡献体现在Cloud-Device Collaboration多模态参数生成 (CDC-MMPG) 框架中，为On-Device多模态模型适应 (DMMA) 提供了先驱性的解决方案。广泛的实验证实了我们的方法的效率和效果，特别是在视频问答和检索任务中，推动了智能设备融入我们的日常生活。

    May, 2024

  • DIET: 定制化的不兼容网络连续推荐中的瘦身

    针对频繁移动请求引起的网络拥塞问题，提出了一种面向不兼容网络的自定义精简框架(DIET)，通过为每个边缘设备定制特定子网，实现了高效传输和存储，同时在推荐准确性方面也表现出色。

    Jun, 2024