論文の概要: The Traveling Observer Model: Multi-task Learning Through Spatial Variable Embeddings

• arxiv url: http://arxiv.org/abs/2010.02354v4
• Date: Mon, 22 Mar 2021 23:11:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 19:35:51.774683
• Title: The Traveling Observer Model: Multi-task Learning Through Spatial Variable Embeddings
• Title（参考訳）: 旅行オブザーバモデル:空間変数埋め込みによるマルチタスク学習
• Authors: Elliot Meyerson and Risto Miikkulainen
• Abstract要約: 我々は、連続した空間を移動し、ある場所で値を計測し、他の場所でそれらを予測する観察者として、一般的な予測システムを構築した。 この視点は、一見無関係なタスクを単一のモデルで解決できる、機械学習フレームワークにつながります。 実験では,(1)空間と時間における変数の直感的な位置の復元,(2)完全に不整合な入力空間と出力空間を持つ関連するデータセット間の正則性の利用,(3)無関係なタスク間の正則性を利用する。
• 参考スコア（独自算出の注目度）: 28.029643109302715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper frames a general prediction system as an observer traveling around a continuous space, measuring values at some locations, and predicting them at others. The observer is completely agnostic about any particular task being solved; it cares only about measurement locations and their values. This perspective leads to a machine learning framework in which seemingly unrelated tasks can be solved by a single model, by embedding their input and output variables into a shared space. An implementation of the framework is developed in which these variable embeddings are learned jointly with internal model parameters. In experiments, the approach is shown to (1) recover intuitive locations of variables in space and time, (2) exploit regularities across related datasets with completely disjoint input and output spaces, and (3) exploit regularities across seemingly unrelated tasks, outperforming task-specific single-task models and multi-task learning alternatives. The results suggest that even seemingly unrelated tasks may originate from similar underlying processes, a fact that the traveling observer model can use to make better predictions.
• Abstract（参考訳）: 本稿では,連続空間を走行する観測者として一般的な予測システムを構築し,ある場所での値を測定し,他の場所で予測する。 オブザーバは、解決される特定のタスクについて完全に無知であり、測定場所とその値のみを気にします。 この観点では、一見無関係なタスクを単一のモデルで解決できる機械学習フレームワークが、それらの入力と出力変数を共有空間に埋め込むことによって実現される。 このフレームワークの実装では、これらの変数の埋め込みが内部モデルパラメータと共同で学習される。 実験では,(1)空間と時間における変数の直感的な位置の復元,(2)完全に不整合な入力と出力空間を持つ関連するデータセット間の規則性の活用,(3)非関係のように見えるタスク間の規則性の活用,タスク固有の単一タスクモデルの向上,およびマルチタスク学習代替品の活用が示される。 結果は、一見無関係なタスクでさえ、同じ基礎となるプロセスに由来する可能性があり、旅行観察モデルがより良い予測を行うために使用できることを示唆している。

関連論文リスト

• A Pattern Language for Machine Learning Tasks [0.0]
  我々は客観的関数を学習者の行動に関する制約と見なしている。 動作の中核となるタスクと実装の詳細を分離できる形式的なグラフィカル言語を開発する。 概念実証として、「マニピュレータ」と呼ぶ生成モデルに分類器を変換できる新しいタスクを設計する。
  論文  参考訳（メタデータ） (2024-07-02T16:50:27Z)
• DeTra: A Unified Model for Object Detection and Trajectory Forecasting [68.85128937305697]
  提案手法は,2つのタスクの結合を軌道修正問題として定式化する。 この統合タスクに対処するために、オブジェクトの存在, ポーズ, マルチモーダルな将来の振る舞いを推測する精細化変換器を設計する。 実験では、我々のモデルはArgoverse 2 Sensor and Openデータセットの最先端性よりも優れています。
  論文  参考訳（メタデータ） (2024-06-06T18:12:04Z)
• Simultaneous Clutter Detection and Semantic Segmentation of Moving Objects for Automotive Radar Data [12.96486891333286]
  レーダセンサは、自動運転車の環境認識システムにおいて重要な部分である。 レーダーポイント雲の処理における最初のステップの1つは、しばしば乱れの検出である。 もう一つの一般的な目的は、移動道路利用者のセマンティックセグメンテーションである。 我々は,RadarScenesデータセットのセマンティックセマンティックセグメンテーションにおいて,我々の設定が極めて効果的であることを示し,既存のネットワークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-13T11:29:38Z)
• Kernel-based function learning in dynamic and non stationary environments [0.6138671548064355]
  機械学習における中心的なテーマの1つは、スパースデータとノイズデータからの関数推定である。 本研究では,非定常分布下でのカーネルベースリッジ回帰と収束条件について考察する。 これは、例えば、エージェント/ロボットの集合が、感覚場を再構築するために環境を監視する必要がある、重要な探索・探索の問題を含む。
  論文  参考訳（メタデータ） (2023-10-04T12:31:31Z)
• Leveraging sparse and shared feature activations for disentangled representation learning [112.22699167017471]
  本稿では,教師付きタスクの多種多様な集合から抽出した知識を活用し,共通不整合表現を学習することを提案する。 我々は6つの実世界分布シフトベンチマークと異なるデータモダリティに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2023-04-17T01:33:24Z)
• 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)
• 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)
• On Steering Multi-Annotations per Sample for Multi-Task Learning [79.98259057711044]
  マルチタスク学習の研究はコミュニティから大きな注目を集めている。 目覚ましい進歩にもかかわらず、異なるタスクを同時に学習するという課題はまだ検討されていない。 従来の研究は、異なるタスクから勾配を修正しようとするが、これらの手法はタスク間の関係の主観的な仮定を与え、修正された勾配はより正確でないかもしれない。 本稿では,タスク割り当てアプローチによってこの問題に対処する機構であるタスク割当(STA)を紹介し,各サンプルをランダムにタスクのサブセットに割り当てる。 さらなる進展のために、我々は全てのタスクを反復的に割り当てるためにInterleaved Task Allocation(ISTA)を提案する。
  論文  参考訳（メタデータ） (2022-03-06T11:57:18Z)
• 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)
• Meta Adaptation using Importance Weighted Demonstrations [19.37671674146514]
  エージェントが新しいタスクを推測することが困難である場合も少なくない。 本稿では,特定のタスクの集合に関する事前知識を活用することで,関連するタスクを一般化する新しいアルゴリズムを提案する。 環境タスクの多様性からロボットを訓練し、目に見えない環境に適応できる実験を行った。
  論文  参考訳（メタデータ） (2019-11-23T07:22:32Z)

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。