Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

CRINN: Aprendizaje por refuerzo contrastivo para la búsqueda aproximada del vecino más cercano

Created by
  • Haebom

Autor

Xiaoya Li, Xiaofei Sun, Albert Wang, Chris Shum, Jiwei Li

Describir

CRINN presenta un nuevo paradigma para optimizar el algoritmo de Búsqueda de Vecinos Más Cercanos Aproximados (ANNS) mediante aprendizaje por refuerzo. Al considerar la optimización de ANNS como un problema de aprendizaje por refuerzo, con la velocidad de ejecución como señal de recompensa, CRINN genera automáticamente implementaciones de ANNS progresivamente más rápidas, manteniendo las restricciones de precisión. En evaluaciones experimentales con seis conjuntos de datos de referencia de ANNS ampliamente utilizados, CRINN logra un rendimiento de vanguardia en tres conjuntos de datos (GIST-960-Euclidean, MNIST-784-Euclidean y GloVe-25-angular) y el primer puesto en dos conjuntos de datos (SIFT-128-Euclidean y GloVe-25-angular) en comparación con algoritmos ANNS de código abierto de vanguardia. Esto demuestra que los LLM mejorados con aprendizaje por refuerzo pueden servir como una herramienta eficaz para automatizar optimizaciones algorítmicas sofisticadas que anteriormente requerían conocimientos especializados y un gran esfuerzo manual. El código se puede encontrar en https://github.com/deepreinforce-ai/CRINN .

Takeaways, Limitations

•
Takeaways:
◦
Presentando nuevas posibilidades para optimizar el algoritmo ANNS utilizando aprendizaje de refuerzo.
◦
Demostrar la eficacia de la optimización automatizada de algoritmos mediante la combinación de LLM y aprendizaje de refuerzo.
◦
Practicidad comprobada con excelente rendimiento en múltiples conjuntos de datos de referencia
◦
Sugiriendo la posibilidad de automatizar el proceso de optimización de algoritmos, lo que requiere conocimientos especializados y trabajo manual.
•
Limitations:
◦
Es necesaria la verificación del rendimiento de generalización en conjuntos de datos distintos del conjunto de datos de referencia presentado.
◦
Es necesario analizar el coste computacional y el tiempo de entrenamiento de los procesos de optimización basados ​​en aprendizaje de refuerzo.
◦
Se necesita más investigación sobre la aplicabilidad y el rendimiento de generalización de varios algoritmos ANNS y configuraciones de problemas.
👍
Made with Slashpage