Key points are not available for this paper at this time.
वास्तविक समय प्रतिक्रिया कार्यों पर लागू मॉडल, जैसे कि क्लिक-थ्रू दर (CTR) भविष्यवाणी मॉडल, उच्च सटीकता और सख्त प्रतिक्रिया समय की आवश्यकता होती है। इसलिए, उच्च गहराई और जटिलता वाले शीर्ष प्रदर्शन करने वाले गहरे मॉडल इन अनुप्रयोगों के लिए सही नहीं होते हैं जिनमें पूर्वानुमान समय पर सीमाएँ होती हैं। समय की सीमाओं के तहत बेहतर प्रदर्शन वाले तंत्रिका नेटवर्क प्राप्त करने के लिए, हम एक सार्वभौमिक ढांचा प्रस्तावित करते हैं जो भविष्यवाणी के लिए लाइटवेट नेट को प्रशिक्षित करने में मदद करने के लिए एक बूस्टर नेट का उपयोग करता है। हम इस पूरे प्रक्रिया को रॉकेट लॉन्चिंग कहते हैं, जहाँ बूस्टर नेट हमारे लाइट नेट की पूरी प्रशिक्षण प्रक्रिया के दौरान सीखने को गाइड करने के लिए उपयोग किया जाता है। हम विभिन्न हानि कार्यों का विश्लेषण करते हैं जो लाइट नेट को बूस्टर नेट के समान व्यवहार करने के लिए धक्का देने का लक्ष्य रखते हैं। इसके अलावा, हम लाइट नेट और बूस्टर नेट के प्रदर्शन को और सुधारने के लिए एक तकनीक का उपयोग करते हैं जिसे ग्रेडिएंट ब्लॉक कहते हैं। बेंचमार्क डेटा सेट और वास्तविक जीवन के औद्योगिक विज्ञापन डेटा पर प्रयोग हमारी प्रस्तावित विधि की प्रभावशीलता को दर्शाते हैं।
झोउ एट अल. (सन,) ने इस प्रश्न का अध्ययन किया।