論文の概要: Relatedness Measures to Aid the Transfer of Building Blocks among Multiple Tasks

• arxiv url: http://arxiv.org/abs/2005.03947v2
• Date: Sun, 17 May 2020 14:20:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 11:41:20.719148
• Title: Relatedness Measures to Aid the Transfer of Building Blocks among Multiple Tasks
• Title（参考訳）: 複数タスク間の建物ブロックの移動を支援するための関連性対策
• Authors: Trung B. Nguyen, Will N. Browne, Mengjie Zhang
• Abstract要約: マルチタスク学習(Multitask Learning)は、複数のタスクを並列に処理し、それらの知識を伝達する学習パラダイムである。 XOFは,木をベースとしたプログラムを用いて,ビルディングブロック (metafeatures) をエンコードする学習システムである。 我々は、XOF間の特徴伝達を動的に適応できるmXOFと呼ばれる多重XOFシステムを提案する。
• 参考スコア（独自算出の注目度）: 3.0538120180981294
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multitask Learning is a learning paradigm that deals with multiple different tasks in parallel and transfers knowledge among them. XOF, a Learning Classifier System using tree-based programs to encode building blocks (meta-features), constructs and collects features with rich discriminative information for classification tasks in an observed list. This paper seeks to facilitate the automation of feature transferring in between tasks by utilising the observed list. We hypothesise that the best discriminative features of a classification task carry its characteristics. Therefore, the relatedness between any two tasks can be estimated by comparing their most appropriate patterns. We propose a multiple-XOF system, called mXOF, that can dynamically adapt feature transfer among XOFs. This system utilises the observed list to estimate the task relatedness. This method enables the automation of transferring features. In terms of knowledge discovery, the resemblance estimation provides insightful relations among multiple data. We experimented mXOF on various scenarios, e.g. representative Hierarchical Boolean problems, classification of distinct classes in the UCI Zoo dataset, and unrelated tasks, to validate its abilities of automatic knowledge-transfer and estimating task relatedness. Results show that mXOF can estimate the relatedness reasonably between multiple tasks to aid the learning performance with the dynamic feature transferring.
• Abstract（参考訳）: マルチタスク学習は、複数の異なるタスクを並行して処理し、それらの間の知識を伝達する学習パラダイムである。 xofは、木ベースのプログラムを使ってビルディングブロック(メタ機能)をエンコードする学習分類システムで、観察されたリスト内の分類タスクのためのリッチな識別情報を持つ機能を構築、収集する。 本稿では,観察したリストを活用し,タスク間の機能伝達の自動化を容易にすることを目的とする。 分類タスクの最良の判別的特徴は、その特性を持つと仮定する。 したがって、最も適切なパターンを比較することで、2つのタスク間の関連性を推定することができる。 我々は、XOF間の特徴伝達を動的に適応できるmXOFと呼ばれる多重XOFシステムを提案する。 このシステムは、観測されたリストを利用してタスク関連性を推定する。 この方法は、機能転送の自動化を可能にする。 知識発見の観点では、類似度推定は複数のデータ間の洞察的な関係を提供する。 我々は,mXOFを代表的階層的ブール問題,UCI Zooデータセットのクラス別分類,非関連タスクなど様々なシナリオで実験し,自動知識伝達とタスク関連性の推定能力の検証を行った。 その結果、mXOFは複数のタスク間の関連性を合理的に推定し、動的特徴伝達による学習性能を向上できることを示した。

関連論文リスト

• Distribution Matching for Multi-Task Learning of Classification Tasks: a Large-Scale Study on Faces & Beyond [62.406687088097605]
  マルチタスク学習(MTL)は、複数の関連するタスクを共同で学習し、共有表現空間から恩恵を受けるフレームワークである。 MTLは、ほとんど重複しない、あるいは重複しないアノテーションで分類タスクで成功することを示す。 本稿では,分散マッチングによるタスク間の知識交換を可能にする新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-01-02T14:18:11Z)
• MTLSegFormer: Multi-task Learning with Transformers for Semantic Segmentation in Precision Agriculture [16.817025300716796]
  マルチタスク学習とアテンション機構を組み合わせたセマンティックセグメンテーション手法MTLSegFormerを提案する。 相関したタスクで2つの困難な問題で性能を検証し、精度を大幅に改善した。
  論文  参考訳（メタデータ） (2023-05-04T13:19:43Z)
• $\pi$-Tuning: Transferring Multimodal Foundation Models with Optimal Multi-task Interpolation [30.551283402200657]
  $pi$-Tuningは、視覚、言語、視覚言語タスクのための普遍的なパラメータ効率の伝達学習手法である。 ターゲットの下流タスクを支援するために、同様のタスクから学んだ軽量なタスク固有の専門家のパラメータを集約する。
  論文  参考訳（メタデータ） (2023-04-27T17:49:54Z)
• Multi-task Bias-Variance Trade-off Through Functional Constraints [102.64082402388192]
  マルチタスク学習は、多様なタスクによく機能する関数の集合を取得することを目的としている。 本稿では,2つの極端な学習シナリオ,すなわちすべてのタスクに対する単一関数と,他のタスクを無視するタスク固有関数から直感を抽出する。 本稿では,集中関数に対するドメイン固有解を強制する制約付き学習定式化を導入する。
  論文  参考訳（メタデータ） (2022-10-27T16:06:47Z)
• Association Graph Learning for Multi-Task Classification with Category Shifts [68.58829338426712]
  関連する分類タスクが同じラベル空間を共有し、同時に学習されるマルチタスク分類に焦点を当てる。 我々は、不足クラスのためのタスク間で知識を伝達する関連グラフを学習する。 我々の手法は代表的基準よりも一貫して性能が良い。
  論文  参考訳（メタデータ） (2022-10-10T12:37:41Z)
• FETA: A Benchmark for Few-Sample Task Transfer in Open-Domain Dialogue [70.65782786401257]
  本研究は、オープンドメイン対話における少数サンプルタスク転送のベンチマークであるFETAを導入することにより、対話型タスク転送について検討する。 FETAには10タスクと7タスクがアノテートされた2つの基礎的な会話が含まれており、データセット内タスク転送の研究を可能にする。 3つの人気のある言語モデルと3つの学習アルゴリズムを用いて、132のソースターゲットタスクペア間の転送可能性を分析する。
  論文  参考訳（メタデータ） (2022-05-12T17:59:00Z)
• Continual Object Detection via Prototypical Task Correlation Guided Gating Mechanism [120.1998866178014]
  pRotOtypeal taSk corrElaTion guided gaTingAnism (ROSETTA)による連続物体検出のためのフレキシブルなフレームワークを提案する。 具体的には、統一されたフレームワークはすべてのタスクで共有され、タスク対応ゲートは特定のタスクのサブモデルを自動的に選択するために導入されます。 COCO-VOC、KITTI-Kitchen、VOCのクラスインクリメンタル検出、および4つのタスクの逐次学習の実験により、ROSETTAが最先端のパフォーマンスを得ることが示された。
  論文  参考訳（メタデータ） (2022-05-06T07:31:28Z)
• Understanding and Improving Information Transfer in Multi-Task Learning [14.43111978531182]
  すべてのタスクに対して共有モジュール,各タスクに対して別個の出力モジュールを備えたアーキテクチャについて検討する。 タスクデータ間の不一致が負の転送(または性能の低下)を引き起こし、ポジティブな転送に十分な条件を提供することを示す。 理論的洞察から着想を得た結果,タスクの埋め込みレイヤの整合がマルチタスクトレーニングやトランスファー学習のパフォーマンス向上につながることが示された。
  論文  参考訳（メタデータ） (2020-05-02T23:43:52Z)
• Low Resource Multi-Task Sequence Tagging -- Revisiting Dynamic Conditional Random Fields [67.51177964010967]
  異なるタスクに対するラベルシーケンス間の依存関係を利用する低リソースマルチタスクシーケンスタグの異なるモデルを比較した。 タスク予測間の相互依存性の明示的モデリングは、通常のマルチタスクモデルと同様にシングルタスクよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-05-01T07:11:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。