論文の概要: Robust Learning Through Cross-Task Consistency

• arxiv url: http://arxiv.org/abs/2006.04096v1
• Date: Sun, 7 Jun 2020 09:24:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-24 08:05:49.082934
• Title: Robust Learning Through Cross-Task Consistency
• Title（参考訳）: クロスタスク一貫性によるロバスト学習
• Authors: Amir Zamir, Alexander Sax, Teresa Yeo, O\u{g}uzhan Kar, Nikhil Cheerla, Rohan Suri, Zhangjie Cao, Jitendra Malik, Leonidas Guibas
• Abstract要約: クロスタスク整合性を用いた学習向上のための,広く適用可能な完全計算手法を提案する。 クロスタスク一貫性による学習は,より正確な予測と,アウト・オブ・ディストリビューション・インプットの一般化につながることを観察する。
• 参考スコア（独自算出の注目度）: 92.42534246652062
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual perception entails solving a wide set of tasks, e.g., object detection, depth estimation, etc. The predictions made for multiple tasks from the same image are not independent, and therefore, are expected to be consistent. We propose a broadly applicable and fully computational method for augmenting learning with Cross-Task Consistency. The proposed formulation is based on inference-path invariance over a graph of arbitrary tasks. We observe that learning with cross-task consistency leads to more accurate predictions and better generalization to out-of-distribution inputs. This framework also leads to an informative unsupervised quantity, called Consistency Energy, based on measuring the intrinsic consistency of the system. Consistency Energy correlates well with the supervised error (r=0.67), thus it can be employed as an unsupervised confidence metric as well as for detection of out-of-distribution inputs (ROC-AUC=0.95). The evaluations are performed on multiple datasets, including Taskonomy, Replica, CocoDoom, and ApolloScape, and they benchmark cross-task consistency versus various baselines including conventional multi-task learning, cycle consistency, and analytical consistency.
• Abstract（参考訳）: 視覚的知覚は、例えば、オブジェクト検出、深さ推定など、幅広いタスクのセットを解決する必要がある。 同じイメージから複数のタスクに対して行われた予測は独立ではないため、一貫性が期待できる。 クロスタスク整合性を用いた学習向上のための,広く適用可能な完全計算手法を提案する。 提案手法は任意のタスクのグラフ上の推論パス不変性に基づいている。 クロスタスク一貫性を持つ学習は、より正確な予測と、分布外入力への一般化をもたらすことを観察する。 この枠組みはまた、システムの本質的な一貫性の測定に基づいて、一貫性エネルギー(Consistency Energy)と呼ばれる情報的非教師付き量をもたらす。 整合性エネルギーは教師付き誤差(r=0.67)とよく相関しているため、教師なし信頼度測定や、配布外入力の検出にも使用できる(ROC-AUC=0.95)。 評価はTaskonomy、Replica、CocoDoom、ApolloScapeなど複数のデータセットで行われ、従来のマルチタスク学習、サイクル一貫性、分析一貫性など、さまざまなベースラインに対してクロスタスク一貫性をベンチマークする。

関連論文リスト

• Optimizing Multi-Task Learning for Accurate Spacecraft Pose Estimation [0.0]
  本稿では,単眼画像を用いた衛星ポーズ推定のためのマルチタスク学習フレームワークにおけるタスクの影響について検討する。 直接ポーズ推定やキーポイント予測,オブジェクトの局所化,セグメンテーションといったタスクをひとつのネットワークに統合することにより,タスク間の相互影響を評価することを目的とする。
  論文  参考訳（メタデータ） (2024-10-16T15:44:15Z)
• Exploring Correlations of Self-Supervised Tasks for Graphs [6.977921096191354]
  本稿では,タスク相関に基づくグラフ自己教師型学習を新たに理解することを目的とする。 我々は,ある特定のタスクによって訓練された他のタスクにおける表現の性能を評価し,タスク相関を定量化するための相関値を定義した。 本稿では,タスク相関を説明するグラフタスク相関モデリング(GraphTCM)を提案する。
  論文  参考訳（メタデータ） (2024-05-07T12:02:23Z)
• Distributed Continual Learning with CoCoA in High-dimensional Linear Regression [0.0]
  興味の信号が時間とともに特性の変化を示すシナリオで推定する。 特に、異なる分布を持つデータなど、異なるタスクが順次到着する連続的な学習問題を考察する。 ネットワーク上でモデルパラメータと対応する特徴を分散する分散学習アルゴリズムCOCOAについて検討する。
  論文  参考訳（メタデータ） (2023-12-04T10:35:46Z)
• Towards Distribution-Agnostic Generalized Category Discovery [51.52673017664908]
  データ不均衡とオープンエンドの分布は、現実の視覚世界の本質的な特性である。 我々は,BaCon(Self-Balanced Co-Advice contrastive framework)を提案する。 BaConは、対照的な学習ブランチと擬似ラベルブランチで構成され、DA-GCDタスクを解決するためのインタラクティブな監視を提供するために協力して動作する。
  論文  参考訳（メタデータ） (2023-10-02T17:39:58Z)
• Exposing and Addressing Cross-Task Inconsistency in Unified Vision-Language Models [80.23791222509644]
  一貫性のないAIモデルは、人間のユーザーによって不安定で信頼できないと見なされている。 最先端のビジョン言語モデルは、タスク間の驚くほど高い一貫性のない振る舞いに悩まされている。 本稿では,大規模で自動生成されるクロスタスクコントラスト集合上で計算されたランク相関に基づく補助訓練目標を提案する。
  論文  参考訳（メタデータ） (2023-03-28T16:57:12Z)
• Composite Learning for Robust and Effective Dense Predictions [81.2055761433725]
  マルチタスク学習は、目標タスクを補助タスクと協調的に最適化することで、より優れたモデル一般化を約束する。 自己監督型(補助的)タスクと密接な予測(目標)タスクを共同でトレーニングすることで、目標タスクの性能を継続的に向上し、補助タスクのラベル付けの必要性を排除できることが判明した。
  論文  参考訳（メタデータ） (2022-10-13T17:59:16Z)
• 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)
• See Yourself in Others: Attending Multiple Tasks for Own Failure Detection [28.787334666116518]
  複数のタスク間の相関を利用して注意に基づく障害検出手法を提案する。 提案フレームワークは、画像内の複数の領域に対する複数の視覚的知覚タスクに対して、個々の予測を評価することでタスクの失敗を推測する。 提案手法は,タスクの予測に対する予測誤差をより正確に推定する。
  論文  参考訳（メタデータ） (2021-10-06T07:42:57Z)
• Distribution Matching for Heterogeneous Multi-Task Learning: a Large-scale Face Study [75.42182503265056]
  マルチタスク学習は、共有学習アルゴリズムによって複数のタスクを共同で学習する方法論として登場した。 我々は異種mtlに対処し,検出,分類,回帰問題を同時に解決する。 大規模な顔分析のための最初のフレームワークであるFaceBehaviorNetを構築し、すべての顔行動タスクを共同で学習する。
  論文  参考訳（メタデータ） (2021-05-08T22:26:52Z)

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。