Arxiv hàng ngày

Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới.
Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận.
Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.

CRINN: Học tăng cường tương phản cho tìm kiếm lân cận gần nhất

Created by
  • Haebom

Tác giả

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

Phác thảo

CRINN trình bày một mô hình mới để tối ưu hóa thuật toán tìm kiếm lân cận gần nhất (ANNS) sử dụng học tăng cường. Bằng cách coi tối ưu hóa ANNS như một bài toán học tăng cường với tốc độ thực thi là tín hiệu thưởng, CRINN tự động tạo ra các triển khai ANNS nhanh hơn dần dần trong khi vẫn duy trì các ràng buộc về độ chính xác. Trong các đánh giá thử nghiệm trên sáu tập dữ liệu chuẩn ANNS phổ biến, CRINN đạt hiệu suất tiên tiến trên ba tập dữ liệu (GIST-960-Euclidean, MNIST-784-Euclidean và GloVe-25-angular) và đạt vị trí đầu tiên trên hai tập dữ liệu (SIFT-128-Euclidean và GloVe-25-angular) so với các thuật toán ANNS mã nguồn mở tiên tiến. Điều này chứng minh rằng các LLM được tăng cường học tăng cường có thể đóng vai trò là một công cụ hiệu quả để tự động hóa các tối ưu hóa thuật toán phức tạp mà trước đây đòi hỏi kiến ​​thức chuyên môn và nỗ lực thủ công lớn. Mã có thể được tìm thấy tại https://github.com/deepreinforce-ai/CRINN .

Takeaways, Limitations

•
Takeaways:
◦
Trình bày những khả năng mới để tối ưu hóa thuật toán ANNS bằng cách sử dụng học tăng cường.
◦
Chứng minh hiệu quả của việc tối ưu hóa thuật toán tự động thông qua sự kết hợp giữa LLM và học tăng cường.
◦
Tính thực tiễn đã được chứng minh với hiệu suất tuyệt vời trên nhiều tập dữ liệu chuẩn
◦
Đề Xuất khả năng tự động hóa quá trình tối ưu hóa thuật toán, đòi hỏi kiến ​​thức chuyên môn và công việc thủ công.
•
Limitations:
◦
Cần phải xác minh hiệu suất tổng quát trên các tập dữ liệu khác ngoài tập dữ liệu chuẩn được trình bày.
◦
Cần phải phân tích chi phí tính toán và thời gian đào tạo của các quy trình tối ưu hóa dựa trên học tăng cường.
◦
Cần nghiên cứu thêm về khả năng ứng dụng và hiệu suất tổng quát của nhiều thuật toán ANNS và bối cảnh vấn đề khác nhau.
👍
Made with Slashpage