标签
本文提出在可解释推荐系统中将生成与选择分离，以降低服务成本，使用冻结的候选解释池和一个小型CPU常驻选择器。它对离线池选择器进行基准测试，发现成对学习排序在F1分数上优于单动作强化学习公式，如PPO、GRPO和DPO。
本文介绍了DonorRank，一种用于低资源跨语言语音识别中选择有效捐赠语言的学习排序框架，并在印度语族和非洲语言语料库上进行了评估。与基于遗传相似性和高资源语言的启发式方法相比，它展示了更好的捐赠语言选择效果，并为多语言ASR的迁移模式提供了见解。
一篇研究论文，提出了一种排序学习框架，用于为GPU加速的量子电路模拟选择高效张量网络收缩计划，该框架使用从GPU测量中训练的梯度提升排序器。
本文提出Representation Curriculum (RC)，一种训练时干预方法，通过分阶段利用特征来减少对曝光混杂历史信号的过度依赖，并改善排序系统中的冷启动泛化能力。该方法经过了理论分析，并在公开基准和大规模eBay搜索实验中得到了验证。
PEARL引入了一种对比分位数近似框架，用以缓解推荐系统中的行为强度不平衡问题，在服务数十亿用户的生产级直播平台上实现了参与度指标的显著提升。
本文提出了一种面向循环智能制造的边缘AI驱动分散式任务分配框架，该框架利用学习排序方法来匹配赢家选择的排序性质。仿真结果表明，在高负载和紧截止期限场景下，延迟、截止时间满足率和能源效率均得到改善。