arXiv · cs.AI · Yuen Chen, Yulun Wu, Samuel Sharpe, Igor Melnyk, Nam H. Nguyen, Furong Huang, C. Bayan Bruss, Rizal Fathony · 5 小时前模型评分40
冻结编码器有必要吗？用户行为序列-图端到端学习的受控研究
Why Freeze the Encoder? A Controlled Study of End-to-End Sequence-Graph Learning for User Behavior
导读
一项受控研究对比了冻结序列编码器的两阶段流程与端到端联合训练，在 Brightkite 数据集上仅改变编码器是否更新，端到端更新带来 10.6 点 MRR 提升。在五个真实数据集的 relationship prediction 与欺诈检测任务中，端到端训练的优势是有条件的：关系图承载主要信号时提升明显，信号主要来自节点自身时收益缩小。
分类置信度
中 · 待人工复核
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
事件类型：研究发布
证据摘录
- “We ask a simple question: does training the sequence and graph models end-to-end help, and if so, when?”
来源：arXiv · cs.AI · arxiv.org