arXiv · 12.07.2026 ·Машинное обучение

ZoRRO: безвесовая система рекомендаций новостей без обучения

Исследователи представили ZoRRO — фреймворк для персонализированных новостных рекомендаций, который работает без обучения и использования весовых коэффициентов. Система ориентирована на масштабируемое внедрение в реальных условиях. В ходе тестирования ZoRRO продемонстрировала эффективность, сопоставимую с современными глубокими нейронными сетями, при этом значительно снижая вычислительные затраты на развертывание и поддержку модели в продакшене.

Традиционные рекомендательные системы требуют значительных ресурсов для регулярного дообучения моделей на актуальных данных. ZoRRO решает эту проблему за счет архитектуры, не требующей градиентного спуска или обновления параметров. Это позволяет системе мгновенно адаптироваться к новым новостным потокам, исключая задержки, связанные с переобучением, и минимизируя инфраструктурные расходы на поддержку жизненного цикла модели.

В офлайн-бенчмарках ZoRRO показала лучшие результаты по качеству ранжирования по сравнению с рядом нейросетевых моделей. Онлайн-тестирование в формате A/B-экспериментов подтвердило, что метрика кликабельности (CTR) у данной системы практически не уступает показателям state-of-the-art решений на базе глубокого обучения. Такой подход открывает возможности для внедрения высокоэффективной персонализации в сервисах с огромным объемом контента, где критически важна низкая задержка и высокая скорость обновления ленты.

Ключевые факты

ZoRRO — это фреймворк для рекомендаций, который полностью исключает этап обучения (training-free).
Система не использует весовые коэффициенты, что упрощает её архитектуру и снижает требования к вычислительным мощностям.
В ходе A/B-тестирования показатели CTR оказались практически идентичны результатам современных глубоких нейронных сетей.
Архитектура обеспечивает высокую масштабируемость, что критично для новостных платформ с динамически меняющимся контентом.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Машинное обучение Повышение устойчивости нейросетевых алгоритмов реконструкции данных Исследователи представили новый фреймворк для решения обратных задач в машинном обучении, использующий методы дистрибутивно-робастной оптимизации (DRO). Подход позволяет нейросетям сохранять точность реконструкции даже при значительных отклонениях характеристик шума в тестовых данных от тех, что использовались при обучении, решая проблему слабой обобщающей способности стандартных моделей в условиях изменчивой среды. arXiv · Обучение и дообучение ZO-Act: новый метод эффективного дообучения LLM без обратного распространения ошибки Исследователи представили ZO-Act — метод дообучения больших языковых моделей с использованием оптимизации нулевого порядка. Технология позволяет обновлять веса моделей без классического обратного распространения ошибки, что критично при ограниченных ресурсах памяти. Метод ограничивает возмущения весов фиксированными подпространствами, основанными на активациях, что значительно снижает дисперсию оценок и повышает качество обучения по сравнению с традиционными подходами. arXiv · Машинное обучение SLORR: новый метод обучения для эффективного сжатия нейросетей Исследователи представили SLORR — метод регуляризации при обучении, который упрощает низкоранговую факторизацию нейронных сетей. В отличие от существующих подходов, требующих дорогостоящего SVD-разложения или изменения архитектуры модели, SLORR позволяет эффективно сжимать веса без существенной потери точности, делая современные модели более компактными и пригодными для развертывания на устройствах с ограниченными ресурсами. Hacker News · Машинное обучение Voodoo: новый подход к обработке сигналов без нейросетей и обучения Проект Voodoo предлагает альтернативный метод обработки сигналов, который полностью отказывается от использования нейронных сетей, токенизации и этапов обучения. Вместо классического глубокого обучения система полагается на алгоритмические методы анализа данных, обеспечивая высокую скорость работы и предсказуемость результатов. Решение ориентировано на задачи, где критически важна вычислительная эффективность и отсутствие «черного ящика» в логике обработки. arXiv · Машинное обучение Многоцелевое обучение с подкреплением для здорового питания Исследователи представили метод MORL-A2C, направленный на улучшение рекомендательных систем в сфере питания. Традиционные алгоритмы часто фокусируются исключительно на предпочтениях пользователя, что может приводить к выбору менее полезных продуктов. Новый подход интегрирует многоцелевое обучение с подкреплением (Multi-Objective Reinforcement Learning) для балансировки между интересами потребителя и нутрициологической ценностью рациона. arXiv · Машинное обучение Метод ZEBRA улучшает обобщающую способность аудио-языковых моделей Исследователи представили метод ZEBRA, решающий проблему деградации аудио-языковых моделей при переходе от базовых классов к новым. Традиционное обучение промптов часто снижает точность на неизученных данных, однако ZEBRA использует регуляризацию энтропии для сохранения стабильности. Это позволяет моделям эффективно адаптироваться к новым категориям, не теряя при этом производительности на уже известных объектах в режиме zero-shot. GitHub · Оркестрация агентов Scholar Loop: автономная агентная система для научных исследований Scholar Loop представляет собой фреймворк для автоматизации полного цикла научной работы: от анализа литературы и проведения экспериментов до самокритики и написания итоговых отчетов. Система использует мультиагентную архитектуру, которая внедряет детерминированные механизмы контроля для минимизации галлюцинаций и предотвращения манипуляций с целевыми метриками (reward-hacking) в процессе обучения и генерации гипотез. arXiv · Память и RAG Байесовская оценка неопределенности для агентских RAG-систем Исследователи представили фреймворк для агентских RAG-систем, позволяющий оценивать вероятность ошибок в многошаговых цепочках рассуждений. Система использует байесовское распространение неопределенности на этапах планирования, оценки и генерации, опираясь на семантическую дивергенцию и механизмы саморефлексии моделей. Это решение повышает надежность автономных агентов при выполнении сложных задач, требующих многократного обращения к внешним источникам данных. arXiv · Машинное обучение Фреймворк для распределения вознаграждений в кооперативных ИИ-системах Исследователи представили методологию распределения наград в кооперативных ИИ-системах, где агенты действуют от лица пользователей. Новый подход внедряет механизм «ценностно-обусловленной фильтрации градиентов», который позволяет учитывать индивидуальные этические ограничения каждого участника при обновлении глобальных моделей. Это обеспечивает прозрачность вклада данных и гарантирует, что обучение системы соответствует заданным профилям ценностей всех вовлеченных сторон. Hacker News · Исследования и наука Технологический прорыв DeepSeek в архитектуре нейросетей Китайская исследовательская лаборатория DeepSeek представила архитектуру, которая существенно меняет подход к обучению и работе крупных языковых моделей. В основе решения лежит использование архитектуры Mixture-of-Experts (MoE) с глубокой оптимизацией процесса активации параметров. Вместо того чтобы задействовать всю нейросеть целиком для каждого запроса, система активирует лишь малую часть весов, что позволяет радикально снизить вычислительные затраты при сохранении высокой точности ответов.

← Все материалы