Արհեստական բանականություն
AI Soulmate Recommender համակարգ, որը հիմնված է միայն պատկերների վրա
Մեծ Բրիտանիայի հետազոտողները նեյրոնային ցանցեր են օգտագործել՝ առցանց ժամադրությունների համընկնումների համար ամբողջովին պատկերի վրա հիմնված առաջարկող համակարգ մշակելու համար, որը միայն հաշվի է առնում, թե արդյոք երկու օգտատերերի գրավում են միմյանց լուսանկարները (այլ ոչ թե պրոֆիլի տվյալները, ինչպիսիք են աշխատանքը, տարիքը և այլն): ), և պարզել են, որ այն գերազանցում է ավելի քիչ «ծանր» համակարգերին՝ ճշգրիտ համընկնում ստանալու առումով:
Ստացված համակարգը կոչվում է «Ժամանակավոր պատկերի վրա հիմնված փոխադարձ խորհուրդ» (TIRR) և օգտագործում է կրկնվող նեյրոնային ցանցեր (RNN)՝ մեկնաբանելու օգտատերերի պատմական նախասիրությունը դեմքերի նկատմամբ, որոնց նա հանդիպում է հնարավոր համընկնումներ դիտելիս:
The թուղթ իրավունք ունի – գուցե հուսահատեցնող – Լուսանկարներն այն ամենն են, ինչ ձեզ հարկավոր է առցանց ծանոթությունների ժամանակ փոխադարձ առաջարկության համարև գալիս է Բրիստոլի համալսարանի երկու հետազոտողների կողմից, որոնք զգալիորեն կատարելագործվել են նմանատիպ համակարգի վրա (կոչված ԻմՌեկ) թողարկվել է նույն թիմի կողմից 2020 թ.
Փորձարկումների ընթացքում համակարգը ձեռք է բերել գերժամանակակից ճշգրտություն կանխատեսելու ունակության մեջ փոխադարձ օգտատերերի միջև համընկնումը՝ բարելավելով ոչ միայն հետազոտողների 2020 թվականի աշխատանքը, այլ նաև բովանդակության վրա հիմնված ծանոթությունների փոխադարձ առաջարկությունների համակարգերը, որոնք հաշվի են առնում ծանոթությունների պրոֆիլներում ավելի մանրամասն, տեքստի վրա հիմնված տեղեկատվությունը:
Իրական աշխարհի ժամադրության տվյալների հավաքածու
TIRR-ը վերապատրաստվել է օգտատերերի տեղեկատվության վերաբերյալ, որը տրամադրվել է անանուն «հանրահայտ» առցանց ծանոթությունների ծառայության կողմից «մի քանի միլիոն գրանցված օգտատերերով», որը թույլ է տալիս օգտատերերին շփվել միմյանց հետ միայն այն ժամանակ, երբ յուրաքանչյուրը «հավանել» է մյուսի պրոֆիլը: Օգտագործված տվյալների ենթաբազմությունը ներառում էր 200,000 սուբյեկտ, հավասարապես բաշխված տղամարդկանց և կանանց միջև, և մոտավորապես 800,000 օգտվողների կողմից արտահայտված նախապատվություններ բոլոր ծանոթությունների պրոֆիլներում:
Քանի որ տվյալներ տրամադրող անանուն ծանոթությունների ծառայությունը աջակցում է միայն հետերոսեքսուալ համընկնումներ, հետազոտության մեջ ընդգրկվել են միայն տղամարդու/իգական սեռի հանդիպումները:
TIRR-ը բարելավում է այս ոլորտում նախորդ փոխադարձ առաջարկող համակարգերի (RRS) նախագծերը՝ ուղղակիորեն հաշվարկելով երկու պրոֆիլների միջև համընկնման հավանականությունը՝ հիմնվելով բացառապես պրոֆիլի պատկերների վրա: Փոխարենը, նախկին համակարգերը կանխատեսում էին երկու միակողմանի նախապատվություններ, այնուհետև դրանք համախմբում էին կանխատեսում ստանալու համար:
Հետազոտողները բացառել են այն օգտատերերին, ովքեր հեռացվել են ծանոթությունների ծառայությունից (ցանկացած պատճառով, ներառյալ կամավոր հեռանալը), և բացառել են այն պրոֆիլները, որոնք չեն ներառում դեմքի վրա հիմնված լուսանկարներ:
Օգտատերերի պատմությունները սահմանափակվել են մեկ տարի առաջ՝ խուսափելու հնարավոր անոմալիաներից, որոնք կարող են առաջանալ, քանի որ ժամադրության կայքը ժամանակի ընթացքում փոփոխել է իր ալգորիթմները: Դրանք նաև սահմանափակված էին առավելագույնը 15 օգտատերերի նախապատվություններով, քանի որ դրանք բավարար էին մոդելի դիզայնն ապացուցելու համար, մինչդեռ նախապատվությունների ավելի լայն կիրառումը նվազեցրեց կատարողականությունը և ավելացրեց ուսուցման ժամանակը:
Բացի այդ, որոշ ավելի մոլի կամ երկարաժամկետ օգտվողներ ունեցել են պատմություններ Հազարավոր նախասիրությունների, որոնք կարող էին վտանգել շեղել ձեռք բերված հատկանիշների քաշը և հետագայում երկարացնել մարզումների ժամանակը:
Սիամյան ցանց
TIRR-ը ձևակերպվում է օգտագործելով a Սիամական ցանց, սովորաբար օգտագործվում է «մեկ կրակոց» ուսուցում.
Կաղապարային սիամական ցանց, որտեղ զուգահեռ կոնվոլյուցիոն նեյրոնային ցանցերը (CNN) կիսում են կշիռները, բայց ոչ տվյալները: Նրանք նաև կիսում են կորստի գործառույթը, որը ստացվում է յուրաքանչյուր CNN-ի արդյունքներից և հիմնավոր ճշմարտության պիտակ: Աղբյուր՝ https://arxiv.org/pdf/2108.11714.pdf
Ցանցը վարժեցվել է երկուական խաչմերուկի միջոցով, որը նեյրոնային ցանցերում ընդհանուր կորստի ֆունկցիա է, և որը հետազոտողները պարզել են, որ ավելի լավ արդյունքներ է տալիս՝ համեմատած հակադրական կորուստ. Վերջինս ամենաարդյունավետն է երկու դեմքերի միջև հավասարությունը գնահատող համակարգերում, բայց քանի որ դա TIRR-ի նպատակը չէ, այն այս համատեքստում վատ գործունեությամբ զբաղվող մոտեցում է:
Անհրաժեշտ է, որ համակարգը պահպանի և հիմնվի այն տեղեկատվության վրա, որը մշակվում է, երբ ուսուցումը բազմիցս կրկնվում է նույն տվյալների վրա, և TIRR-ի սիամական ցանցը օգտագործում է ԼՍՏՄ (Long Term Short-Term Memory) ցանց՝ այս որոշումները կայացնելու և ապահովելու, որ համապատասխան համարվող հատկանիշները ժամանակավորապես չհրաժարվեն, քանի որ շրջանակը ձևավորում է իր պատկերացումները:
Հատուկ սիամական ցանցային ճարտարապետություն TIRR-ի համար:
Հետազոտողները պարզել են, որ ցանցը շատ դանդաղ է մարզվում, երբ բոլոր տվյալները մուտքագրվում են, և այնուհետև ուսուցումը բաժանել է երեք փուլի՝ օգտագործելով տվյալների երեք տարբեր ենթաբազմություններ: Դրա մեջ կա որոշակի լրացուցիչ առավելություն, քանի որ հետազոտողների 2020 թվականի փորձերն արդեն ցույց են տվել, որ արական և իգական սեռի տվյալների շտեմարանների առանձին ուսուցումը բարելավում է փոխադարձ առաջարկող համակարգի աշխատանքը:
TIRR-ի սիամական ցանցի առանձին պարապմունքների խզումը:
Փորձարկում
TIRR-ի արդյունավետությունը գնահատելու համար հետազոտողները մի կողմում պահեցին ստացված տվյալների մի մասը և անցկացրին այն ամբողջությամբ համակցված համակարգի միջոցով: Այնուամենայնիվ, քանի որ համակարգը բավականին նոր է, չկան ուղղակիորեն նման նախորդ համակարգեր, որոնց հետ այն կարելի է համեմատել:
Հետևաբար, հետազոտողները նախ ստեղծեցին ընդունիչի գործառնական բնութագրական կորը (ROC- ը) ելակետային գիծ սիամական ցանցի համար, նախքան օգտագործելը միատեսակ բազմազանության մոտարկում և պրոյեկցիա՝ չափումների կրճատման համար (UMAP) նվազեցնել 128-չափ վեկտորները՝ հեշտ արտացոլման համար, որպեսզի հաստատվի հավանումների և հակակրանքների համահունչ հոսք:
Ձախ կողմում սիամական ցանցի ROC-ն՝ որպես կատարողականի ելակետային ցուցանիշ. աջ կողմում UMAP վիզուալիզացիան ցույց է տալիս «հավանումները» կարմիրով, «չհավանումները»՝ սևով:
TIRR-ը փորձարկվել է համագործակցային զտման և բովանդակության վրա հիմնված համակարգերի նկատմամբ, որոնք ունեն նմանատիպ շրջանակ, ներառյալ հետազոտողների նախորդ աշխատանքը ImRec-ը (տես վերևում), և ՌԵՔՈՆ, 2010 թվականի RRS-ը, ինչպես նաև համատեղ զտման ալգորիթմները RCF (2015 թվականի ծանոթությունների RRS հիմնված ծանոթությունների պրոֆիլների տեքստային բովանդակության վրա) և LFRR (նման նախագիծ՝ 2019թ.):
Բոլոր դեպքերում TIRR-ը կարողացել է առաջարկել բարձր ճշգրտություն, թեև միայն աննշանորեն՝ համեմատած LFRR-ի հետ, ինչը, հնարավոր է, ցույց է տալիս պրոֆիլի տեքստի բովանդակության և առարկաների պրոֆիլի լուսանկարների գրավչության ընկալվող մակարդակի միջև փոխկապակցված գործոնները:
Պատկերի վրա հիմնված TIRR-ի և ավելի տեքստի վրա հիմնված LFRR-ի միջև գրեթե հավասարությունը թույլ է տալիս առնվազն երկու հնարավորություն. կամ որ տեքստի բովանդակությունն ավելի մեծ ուշադրության և հաստատման է արժանանում, քան կարող էր լինել, եթե դրա հետ կապված նկարը չընկալվեր որպես գրավիչ:
Հասկանալի պատճառներով հետազոտական թիմը չի կարողանում հրապարակել TIRR-ի տվյալների բազան կամ սկզբնական կոդը, սակայն խրախուսում է այլ թիմերին կրկնօրինակել և հաստատել իրենց մոտեցումը:
nb Հիմնական նկարում օգտագործված պատկերները thispersondoesnotexist.com-ից են:
