La potatura con regolarizzazione della varianza migliora l'efficienza del calcolo affettivo
È stato introdotto un nuovo framework di potatura chiamato Variance-Regularised Pruning (VR) per migliorare l'efficienza computazionale nei sistemi di calcolo affettivo. A differenza dei metodi esistenti che ottimizzano esclusivamente per la scarsità, VR incorpora esplicitamente la stabilità tra partecipanti nel processo di sparsificazione. Valuta ogni connessione in base al suo contributo congiunto all'accuratezza della previsione e alla variabilità tra utenti, dando priorità ai parametri che rimangono affidabili sotto differenze distributive. L'approccio è stato valutato su un dataset non specificato, con risultati che suggeriscono una maggiore robustezza tra individui. Questo lavoro affronta la necessità di bilanciare l'efficienza computazionale con l'affidabilità in piattaforme con risorse limitate come giochi adattivi e tecnologie assistive.
Fatti principali
- Variance-Regularised Pruning (VR) è un nuovo framework di potatura per il calcolo affettivo.
- VR incorpora la stabilità tra partecipanti nel processo di sparsificazione.
- I metodi di potatura esistenti ottimizzano solo per la scarsità senza considerare la robustezza tra individui.
- VR valuta le connessioni in base al contributo congiunto all'accuratezza della previsione e alla variabilità tra utenti.
- L'approccio dà priorità ai parametri che rimangono affidabili sotto differenze distributive.
- La valutazione è stata condotta su un dataset non specificato.
- I sistemi di calcolo affettivo sono sempre più utilizzati in giochi adattivi, tecnologie assistive e piattaforme con risorse limitate.
- Il lavoro mira a bilanciare l'efficienza computazionale con l'affidabilità tra utenti diversi.
Entità
—