ポリシー勾配強化学習を用いたAB最適化手法
AB テストは、オンライン実験で広く使用されているテクノロジーです。その主な目的は、ページまたはアプリケーションの 2 つ以上のバージョンを比較して、どのバージョンがより優れたビジネス目標を達成しているかを判断することです。これらの目標は、クリックスルー率、コンバージョン率などです。対照的に、強化学習は、試行錯誤学習を使用して意思決定戦略を最適化する機械学習方法です。ポリシー勾配強化学習は、最適なポリシーを学習することで累積報酬を最大化することを目的とした特別な強化学習手法です。どちらもビジネス目標の最適化において異なる用途を持っています。
AB テストでは、ページのバージョンの違いをさまざまなアクションとして扱い、ビジネス目標は報酬シグナルの重要な指標とみなすことができます。最大のビジネス目標を達成するには、適切なページ バージョンを選択し、ビジネス目標に基づいて対応する報酬シグナルを与えることができる戦略を設計する必要があります。これに関して、ポリシー勾配強化学習法を適用して、最適なポリシーを学習できます。継続的な反復と最適化を通じて、ページ バージョンのパフォーマンスを向上させ、最適なビジネス目標を達成できます。
ポリシー勾配強化学習の基本的な考え方は、ポリシー パラメーターの勾配を更新することで、期待される累積報酬を最大化することです。 AB テストでは、各ページ バージョンの選択確率として戦略パラメーターを定義できます。これを実現するには、ソフトマックス関数を使用して、各ページ バージョンの選択確率を確率分布に変換します。ソフトマックス関数は次のように定義されます。 ソフトマックス(x) = exp(x) / sum(exp(x)) このうち、x は各ページバージョンの選択確率を表します。選択確率をソフトマックス関数に入力すると、各ページ バージョンの選択確率を決定する正規化された確率分布を取得できます。このように、傾きを計算してポリシーパラメータを更新することで、より可能性の高いページバージョンが選択される確率を高めることで、ABテストの効果を高めることができます。ポリシー勾配強化学習の中心的な考え方は、勾配に基づいてパラメータを更新することです。これにより、ポリシー
\pi(a|s;\theta)=\frac{ e^{h(s,a ;\theta)}}{\sum_{a'}e^{h(s,a';\theta)}}
その中に,\pi(a|s;\theta) は状態 s でアクション a を選択する確率を表し、h(s,a;\theta) は状態 s とアクション a のパラメーター化された関数、\theta は戦略パラメーターです。
ポリシー勾配強化学習では、期待される累積報酬、つまり:
J(\theta)=\mathbb を最大化する必要があります。 { E}_{\tau\sim\pi_{\theta}}[\sum_{t=0}^{T-1}r_t]
そのうち、\tau は完全な AB テスト プロセス。T はテストのタイム ステップ数を表し、r_t はタイム ステップ t で得られる報酬を表します。勾配上昇法を使用してポリシー パラメーターを更新できます。更新式は次のとおりです:
\theta_{t 1}=\theta_t \alpha\sum_{t=0}^{ T-1 }\nabla_{\theta}\log\pi(a_t|s_t;\theta)r_t
ここで、\alpha は学習率、\nabla_{\theta} \log\pi (a_t|s_t;\theta) はポリシーの勾配です。この更新方程式の意味は、ポリシー勾配の方向に沿ってポリシー パラメーターを調整することで、ビジネス性の高いターゲット ページ バージョンを選択する確率を高め、それによって期待される累積報酬を最大化できることです。
実際のアプリケーションでは、ポリシー勾配強化学習では、状態表現の選択方法、報酬関数の選択方法など、いくつかの問題を考慮する必要があります。 AB テストでは、ステータスの表現にはユーザーの属性、ページの表示方法、ページのコンテンツなどが含まれます。クリックスルー率やコンバージョン率などのビジネス目標に基づいて報酬関数を設定できます。同時に、実際のアプリケーションでの悪影響を回避するために、AB テストの前にシミュレーションを実施し、戦略が安全で安定していることを保証するために戦略を制限する必要があります。
以上がポリシー勾配強化学習を用いたAB最適化手法の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック

機械学習とデータ サイエンスの分野では、モデルの解釈可能性が常に研究者や実務家に焦点を当ててきました。深層学習やアンサンブル手法などの複雑なモデルが広く適用されるようになったことで、モデルの意思決定プロセスを理解することが特に重要になってきました。 Explainable AI|XAI は、モデルの透明性を高めることで、機械学習モデルに対する信頼と自信を構築するのに役立ちます。モデルの透明性の向上は、複数の複雑なモデルの普及や、モデルを説明するための意思決定プロセスなどの方法によって実現できます。これらの方法には、特徴重要度分析、モデル予測間隔推定、ローカル解釈可能性アルゴリズムなどが含まれます。特徴重要度分析では、入力特徴に対するモデルの影響度を評価することで、モデルの意思決定プロセスを説明できます。モデルの予測間隔の推定

以前に書きましたが、今日は、深層学習テクノロジーが複雑な環境におけるビジョンベースの SLAM (同時ローカリゼーションとマッピング) のパフォーマンスをどのように向上させることができるかについて説明します。ここでは、深部特徴抽出と深度マッチング手法を組み合わせることで、低照度条件、動的照明、テクスチャの弱い領域、激しいセックスなどの困難なシナリオでの適応を改善するように設計された多用途のハイブリッド ビジュアル SLAM システムを紹介します。当社のシステムは、拡張単眼、ステレオ、単眼慣性、ステレオ慣性構成を含む複数のモードをサポートしています。さらに、他の研究にインスピレーションを与えるために、ビジュアル SLAM と深層学習手法を組み合わせる方法も分析します。公開データセットと自己サンプリングデータに関する広範な実験を通じて、測位精度と追跡堅牢性の点で SL-SLAM の優位性を実証しました。

この記事では、学習曲線を通じて機械学習モデルの過学習と過小学習を効果的に特定する方法を紹介します。過小適合と過適合 1. 過適合 モデルがデータからノイズを学習するためにデータ上で過学習されている場合、そのモデルは過適合していると言われます。過学習モデルはすべての例を完璧に学習するため、未確認の新しい例を誤って分類してしまいます。過適合モデルの場合、完璧/ほぼ完璧なトレーニング セット スコアとひどい検証セット/テスト スコアが得られます。若干修正: 「過学習の原因: 複雑なモデルを使用して単純な問題を解決し、データからノイズを抽出します。トレーニング セットとしての小さなデータ セットはすべてのデータを正しく表現できない可能性があるため、2. 過学習の Heru。」

1950 年代に人工知能 (AI) が誕生しました。そのとき、研究者たちは、機械が思考などの人間と同じようなタスクを実行できることを発見しました。その後、1960 年代に米国国防総省は人工知能に資金を提供し、さらなる開発のために研究所を設立しました。研究者たちは、宇宙探査や極限環境での生存など、多くの分野で人工知能の応用を見出しています。宇宙探査は、地球を超えた宇宙全体を対象とする宇宙の研究です。宇宙は地球とは条件が異なるため、極限環境に分類されます。宇宙で生き残るためには、多くの要素を考慮し、予防策を講じる必要があります。科学者や研究者は、宇宙を探索し、あらゆるものの現状を理解することが、宇宙の仕組みを理解し、潜在的な環境危機に備えるのに役立つと信じています。

C++ の機械学習アルゴリズムが直面する一般的な課題には、メモリ管理、マルチスレッド、パフォーマンスの最適化、保守性などがあります。解決策には、スマート ポインター、最新のスレッド ライブラリ、SIMD 命令、サードパーティ ライブラリの使用、コーディング スタイル ガイドラインの遵守、自動化ツールの使用が含まれます。実践的な事例では、Eigen ライブラリを使用して線形回帰アルゴリズムを実装し、メモリを効果的に管理し、高性能の行列演算を使用する方法を示します。

翻訳者 | Li Rui によるレビュー | 今日、人工知能 (AI) および機械学習 (ML) モデルはますます複雑になっており、これらのモデルによって生成される出力はブラックボックスになっており、関係者に説明することができません。 Explainable AI (XAI) は、利害関係者がこれらのモデルがどのように機能するかを理解できるようにし、これらのモデルが実際に意思決定を行う方法を確実に理解できるようにし、AI システムの透明性、信頼性、およびこの問題を解決するための説明責任を確保することで、この問題を解決することを目指しています。この記事では、さまざまな説明可能な人工知能 (XAI) 手法を検討して、その基礎となる原理を説明します。説明可能な AI が重要であるいくつかの理由 信頼と透明性: AI システムが広く受け入れられ、信頼されるためには、ユーザーは意思決定がどのように行われるかを理解する必要があります

機械学習は人工知能の重要な分野であり、明示的にプログラムしなくてもコンピューターにデータから学習して能力を向上させる機能を提供します。機械学習は、画像認識や自然言語処理から、レコメンデーションシステムや不正行為検出に至るまで、さまざまな分野で幅広く応用されており、私たちの生活様式を変えつつあります。機械学習の分野にはさまざまな手法や理論があり、その中で最も影響力のある 5 つの手法は「機械学習の 5 つの流派」と呼ばれています。 5 つの主要な学派は、象徴学派、コネクショニスト学派、進化学派、ベイジアン学派、およびアナロジー学派です。 1. 象徴主義は、象徴主義とも呼ばれ、論理的推論と知識の表現のためのシンボルの使用を強調します。この学派は、学習は既存の既存の要素を介した逆演繹のプロセスであると信じています。

MetaFAIR はハーバード大学と協力して、大規模な機械学習の実行時に生成されるデータの偏りを最適化するための新しい研究フレームワークを提供しました。大規模な言語モデルのトレーニングには数か月かかることが多く、数百、さらには数千の GPU を使用することが知られています。 LLaMA270B モデルを例にとると、そのトレーニングには合計 1,720,320 GPU 時間が必要です。大規模なモデルのトレーニングには、これらのワークロードの規模と複雑さにより、特有のシステム上の課題が生じます。最近、多くの機関が、SOTA 生成 AI モデルをトレーニングする際のトレーニング プロセスの不安定性を報告しています。これらは通常、損失スパイクの形で現れます。たとえば、Google の PaLM モデルでは、トレーニング プロセス中に最大 20 回の損失スパイクが発生しました。数値的なバイアスがこのトレーニングの不正確さの根本原因です。
