論文の概要: ASM2TV: An Adaptive Semi-Supervised Multi-Task Multi-View Learning
Framework
- arxiv url: http://arxiv.org/abs/2105.08643v1
- Date: Tue, 18 May 2021 16:15:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-19 14:10:16.856469
- Title: ASM2TV: An Adaptive Semi-Supervised Multi-Task Multi-View Learning
Framework
- Title（参考訳）: ASM2TV: 適応型セミスーパービジョンマルチタスクマルチビュー学習フレームワーク
- Authors: Zekai Chen, Maiwang Shi, Xiao Zhang, Haochao Ying
- Abstract要約: モノのインターネットにおけるヒューマンアクティビティ認識(HAR)はマルチタスクのマルチビュー学習問題として定式化することができる。
半教師付きマルチタスク多視点学習のための新しいフレームワーク ASM2TV を提案する。
- 参考スコア（独自算出の注目度）: 7.64589466094347
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many real-world scenarios, such as human activity recognition (HAR) in IoT,
can be formalized as a multi-task multi-view learning problem. Each specific
task consists of multiple shared feature views collected from multiple sources,
either homogeneous or heterogeneous. Common among recent approaches is to
employ a typical hard/soft sharing strategy at the initial phase separately for
each view across tasks to uncover common knowledge, underlying the assumption
that all views are conditionally independent. On the one hand, multiple views
across tasks possibly relate to each other under practical situations. On the
other hand, supervised methods might be insufficient when labeled data is
scarce. To tackle these challenges, we introduce a novel framework ASM2TV for
semi-supervised multi-task multi-view learning. We present a new perspective
named gating control policy, a learnable task-view-interacted sharing policy
that adaptively selects the most desirable candidate shared block for any view
across any task, which uncovers more fine-grained task-view-interacted
relatedness and improves inference efficiency. Significantly, our proposed
gathering consistency adaption procedure takes full advantage of large amounts
of unlabeled fragmented time-series, making it a general framework that
accommodates a wide range of applications. Experiments on two diverse
real-world HAR benchmark datasets collected from various subjects and sources
demonstrate our framework's superiority over other state-of-the-arts.
- Abstract（参考訳）: IoTにおけるヒューマンアクティビティ認識(HAR)のような現実のシナリオの多くは、マルチタスクのマルチビュー学習問題として形式化することができる。
各タスクは、複数のソースから収集された複数の共有機能ビューで構成される。
最近のアプローチの共通点は、共通知識を明らかにするために、タスクをまたいだ各ビューに対して、最初のフェーズで典型的なハード/ソフトの共有戦略を個別に採用することである。
一方、タスク間の複数のビューは、実用的な状況下で相互に関連している可能性がある。
一方で、ラベル付きデータが少ない場合、教師付きメソッドは不十分かもしれない。
これらの課題に対処するために,準教師付きマルチタスク多視点学習のための新しいフレームワーク ASM2TV を提案する。
本稿では,任意のタスクに対して最も望ましい候補共有ブロックを適応的に選択する,学習可能なタスクビュー対応共有ポリシであるゲーティングコントロールポリシーを提案する。
重要な点として,本提案手法は大量の未ラベルの断片化時系列をフル活用し,広範囲のアプリケーションに対応する汎用的なフレームワークである。
さまざまな主題やソースから収集された2つの多様な実世界のHARベンチマークデータセットの実験は、我々のフレームワークが他の最先端技術よりも優れていることを示している。
関連論文リスト
- Joint-Task Regularization for Partially Labeled Multi-Task Learning [30.823282043129552]
機械学習分野ではマルチタスク学習がますます人気になっているが、その実用性は大規模ラベル付きデータセットの必要性によって妨げられている。
本稿では, クロスタスク関係を利用して, 全タスクを1つのジョイントタスク潜在空間で同時に正規化する直感的手法であるジョイントタスク正規化(JTR)を提案する。
論文 参考訳（メタデータ） (2024-04-02T14:16:59Z) - 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) - Factorized Contrastive Learning: Going Beyond Multi-view Redundancy [116.25342513407173]
本稿では,マルチビュー冗長性を超えた新しいマルチモーダル表現学習法であるFacterCLを提案する。
大規模な実世界のデータセットでは、FacterCLは共有情報とユニークな情報の両方をキャプチャし、最先端の結果を達成する。
論文 参考訳（メタデータ） (2023-06-08T15:17:04Z) - Multi-Task Learning for Visual Scene Understanding [7.191593674138455]
この論文はコンピュータビジョンの文脈におけるマルチタスク学習に関するものである。
マルチタスク学習の重要な側面に対処するいくつかの手法を提案する。
その結果,マルチタスク学習の最先端にいくつかの進歩が見られた。
論文 参考訳（メタデータ） (2022-03-28T16:57:58Z) - Modular Adaptive Policy Selection for Multi-Task Imitation Learning
through Task Division [60.232542918414985]
マルチタスク学習は、しばしば負の伝達に悩まされ、タスク固有の情報を共有する。
これは、プロトポリケーションをモジュールとして使用して、タスクを共有可能な単純なサブ振る舞いに分割する。
また、タスクを共有サブ行動とタスク固有のサブ行動の両方に自律的に分割する能力を示す。
論文 参考訳（メタデータ） (2022-03-28T15:53:17Z) - 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) - Multi-View representation learning in Multi-Task Scene [4.509968166110557]
我々は,MTMVCSF(Common and Special Features)に基づくマルチタスク多視点学習(multi-Task Multi-View learning)と呼ばれる,新しい半教師付きアルゴリズムを提案する。
AN-MTMVCSFと呼ばれるマルチタスク・マルチタスク・マルチビュー・アルゴリズムが提案されている。
これらのアルゴリズムの有効性は、実世界と合成データの双方でよく設計された実験によって証明される。
論文 参考訳（メタデータ） (2022-01-15T11:26:28Z) - Variational Multi-Task Learning with Gumbel-Softmax Priors [105.22406384964144]
マルチタスク学習は、タスク関連性を探究し、個々のタスクを改善することを目的としている。
本稿では,複数のタスクを学習するための一般的な確率的推論フレームワークである変分マルチタスク学習(VMTL)を提案する。
論文 参考訳（メタデータ） (2021-11-09T18:49:45Z) - Semi-supervised Multi-task Learning for Semantics and Depth [88.77716991603252]
MTL(Multi-Task Learning)は、関連するタスク間で表現を共有することで、モデル一般化を強化することを目的としている。
そこで本研究では,異なるデータセットから利用可能な監視信号を活用するために,半教師付きマルチタスク学習(MTL)手法を提案する。
本稿では,データセット間の整合性の問題を軽減するために,様々なアライメントの定式化を施したドメイン認識識別器構造を提案する。
論文 参考訳（メタデータ） (2021-10-14T07:43:39Z) - Seeing All the Angles: Learning Multiview Manipulation Policies for
Contact-Rich Tasks from Demonstrations [7.51557557629519]
成功したマルチビューポリシは,モバイル操作プラットフォームにデプロイすることが可能だ。
様々な視点からデータを収集することで、模倣学習によってマルチビューのポリシーを見いだせることを示す。
マルチビューデータからの学習は,同一量の固定ビューデータによる学習と比較して,固定ビュータスクのパフォーマンスに対するペナルティがほとんどないことを示した。
論文 参考訳（メタデータ） (2021-04-28T17:43:29Z) - Multi-view Low-rank Preserving Embedding: A Novel Method for Multi-view
Representation [11.91574721055601]
本稿では,MvLPE(Multi-view Low-rank Preserving Embedding)という新しい多視点学習手法を提案する。
異なるビューを1つのセントロイドビューに統合し、インスタンス間の距離や類似性行列に基づいて、不一致項を最小化する。
6つのベンチマークデータセットの実験では、提案手法がそれよりも優れていることが示された。
論文 参考訳（メタデータ） (2020-06-14T12:47:25Z)
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。