📱 Revisiting BPR: A Replicability Study of a Common Recommender System Baseline

💾 Скачать исследование – ссылка

Ученые из лаборатории искусственного интеллекта T-Bank AI Research представили новый алгоритм, который с помощью ИИ увеличивает точность онлайн-рекомендаций до 50% в некоторых случаях. Разработчики взяли за основу и улучшили популярный алгоритм для предсказания предпочтений пользователей Bayesian Personalized Ranking, который считается одним из мировых стандартов в рекомендательных системах. Поиск наиболее эффективного варианта алгоритма занял более 200 000 GPU-часов и 15 000 экспериментов на внутренних данных Т-Банка с различными комбинациями параметров модели. Отмечается также, что новая разработка оказалась на 10% точнее алгоритма Mult-VAE, которую ранее опубликовали разработчиками из Netflix.

Новый алгоритм позволит компаниям улучшать свои метрики, в том числе конверсию в покупку, средний чек и выручку. Покупатели при этом смогут быстрее находить нужные товары на маркетплейсах, а зрители — получать более персонализированные рекомендации фильмов и сериалов.

Открытие ученых было признано мировым научным сообществом и представлено на главной международной конференции по рекомендательным системам ACM RecSys.

#ИИ #AI #искусственный_интеллект #science #алгоритмы

💡 Physics.Math.Code // @physics_lib

⛵️ Самый точный в мире метод распознавания неизвестных объектов на фото с помощью ИИ разработали ученые из T-Bank AI Research

💾 Скачать исследование

Ранее в области компьютерного зрения (CV) для распознавания объектов на фото применялись методы машинного обучения. Однако они сталкивались с проблемой однородности ансамблей, иначе говоря, они были слишком похожи друг на друга, что приводило к снижению качества и разнообразия их оценок.

Ученые из T-Bank AI Research разработали метод Saliency-Diversified Deep Ensembles, решающий эту проблему. В нем используются карты внимания, фокусирующиеся на разных аспектах данных. “Глубокие ансамбли”, которые объединяют несколько нейронных сетей для решения задачи применялись и ранее для компьютерного зрения, но при применении SDDE каждая модель обращается к разным аспектам данных, например отдельно захватывается фон изображения. Компиляция таких разных данных и привела к повышению точности анализа объектов на изображениях. Так ученым удалось уменьшить схожесть моделей, что способствует более надежной и диверсифицированной идентификации объектов.

Использование метода SDDE позволяет модели на 20% меньше ошибаться при обработке и анализе фото. При этом она учитывает не только наборы данных, знакомые ей из обучения, но и неизвестную ранее информацию. В перспективе метод SDDE будут использовать в сферах, требующих высокой точности анализа, например, в медицинской диагностике, где важно различать неопознанные элементы и графические артефакты, а также в сфере беспилотных транспортных средств.

Для проверки метода и оценки его эффективности ученые провели испытания на популярных базах данных: CIFAR10, CIFAR100 и ImageNet-1K. Результаты метода SDDE превзошли результаты других схожих алгоритмов, например, Negative Correlation Learning и Adaptive Diversity Promoting.

На Международной конференции по обработке изображений (IEEE ICIP) в Абу-Даби открытие ученых было признано мировым научным сообществом.

#ИИ #AI #искусственный_интеллект #science #алгоритмы #math #математика

💡 Physics.Math.Code // @physics_lib

📙 Обработка нечеткой информации в системах принятия решений [1989] Борисов, Алексеев

💾 Скачать книгу

Обработка нечёткой информации — процесс, при котором системы работают с данными, которые не имеют чёткого значения, но могут быть представлены в виде нечётких множеств или лингвистических переменных. Для обработки такой информации используются методы на основе нечёткой логики — формы многозначной логики, производной от теории нечётких множеств.

Обработка нечёткой информации включает несколько этапов, которые называются процессом нечёткого вывода:
1. Фаззификация — преобразование входных данных в значения лингвистических переменных.
2. Нечёткий вывод — применение процедур на множестве продукционных правил для формирования выходных лингвистических значений.
3. Дефаззификация — преобразование выведенных значений в точные значения для действий или решений.

Некоторые методы обработки нечёткой информации:
▪️На основе алгоритмов нечёткого вывода. Например, механизм Мамдани, который включает фаззификацию, нечётный вывод, композицию и дефаззификацию.
▪️С использованием функций принадлежности. Они количественно определяют степень принадлежности элемента к нечётному множеству и могут принимать различные формы (линейная, экспоненциальная, гауссова).
▪️С применением интервального анализа. Позволяет работать с величинами, для которых задан лишь интервал допустимых или возможных значений.
#физика #автоматизация #нечеткая_логика #математика #алгоритмы #искусственный_интеллект #math #science #AI #наука

💡 Physics.Math.Code // @physics_lib

📙 Обработка нечеткой информации в системах принятия решений [1989] Борисов, Алексеев

Монография посвящена вопросам обработки нечеткой информации в системах принятия решений, создаваемых на базе универсальных ЭВМ. Данные системы применяются при управлении технологическими объектами, в САПР, технической диагностике и разрабатываются как составная часть экспертных систем. Одним из источников информации в таких системах являются специалисты, выражающие свои знания с помощью нечетких понятий и отношений естественного языка.Описываются теоретические принципы, методы и прикладные алгоритмы анализа решений в условиях риска и нечеткой исходной информации на основе лингвистического подхода. Излагаются основные элементы нечеткой математики в моделях принятия решений. Особое внимание уделяется применению аксиоматической теории полезности. Предлагаются методы формирования лингвистических лотерей, позволяющие обосновать правила вычисления и упорядочения лингвистических оценок ожидаемой полезности альтернатив.Рассматриваются методы оценивания полезности в условиях нечеткой информации. Приводятся модели принятия решений на основе безусловных и условных нечетких свидетельств. Применение нечетких свидетельств для описания информации лица, принимающего решения, позволяет оценивать ее качество и производить коррекцию.Описывается программное обеспечение обработки нечеткой информации в системах принятия решений. Приводятся примеры решения организационно-технических задач при нечеткой исходной информации.Для научных работников — специалистов в области систем автоматизированного проектирования, автоматизации управления, принятия решений, экспертных систем.

Обработка нечёткой информации применяется в различных областях, например:

▪️Системы управления. Контроллеры с нечёткой логикой определяют оптимальные точки переключения передач на основе скорости, положения дроссельной заслонки и других факторов.
▪️Экспертные системы. Используют нечёткую логику для имитации способностей человека-эксперта к принятию решений. Например, системы медицинской диагностики оценивают симптомы и результаты анализов, предоставляя диагноз, учитывающий неопределённость состояния здоровья.
▪️Обработка изображений. Нечёткая логика помогает определить границы, уменьшить шум и улучшить качество изображения, учитывая неоднозначность данных.
▪️Системы поддержки принятия решений. Принимают обоснованные решения на основе неполной или неопределённой информации, например, оценивают риск и доходность вариантов инвестирования в неопределённых рыночных условиях.

#физика #автоматизация #нечеткая_логика #математика #алгоритмы #искусственный_интеллект #math #science #AI #наука

💡 Physics.Math.Code // @physics_lib