Drift-Aware Multimodal User Representation Learning via Multi-Scale Temporal Modeling and Sparse Mixture-of-Experts
Le papier introduit DUMoE, un cadre unifié qui exploite une architecture dorsale sensible à la dynamique temporelle et un adaptateur de mélange d'experts creux avec une stratégie d'entraînement en trois étapes pour modéliser efficacement les motifs temporels multi-échelles et désintriquer les divers intérêts changeants des utilisateurs pour un apprentissage de représentation amélioré sur les réseaux sociaux.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.