論文の概要: Semisoft Task Clustering for Multi-Task Learning
- arxiv url: http://arxiv.org/abs/2211.17204v1
- Date: Mon, 28 Nov 2022 07:23:56 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 16:05:10.747168
- Title: Semisoft Task Clustering for Multi-Task Learning
- Title(参考訳): マルチタスク学習のためのセミソフトタスククラスタリング
- Authors: Yuzhao Zhang, Yifan Sun
- Abstract要約: マルチタスク学習(MTL)は、複数の関連する予測タスクの性能を向上させることを目的としている。
そこで本研究では,タスククラスタリング構造を半ソフトなタスククラスタリング手法として提案する。
合成および実世界のデータセットに基づく実験結果は,提案手法の有効性と有効性を検証する。
- 参考スコア(独自算出の注目度): 2.806911268410107
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-task learning (MTL) aims to improve the performance of multiple related
prediction tasks by leveraging useful information from them. Due to their
flexibility and ability to reduce unknown coefficients substantially, the
task-clustering-based MTL approaches have attracted considerable attention.
Motivated by the idea of semisoft clustering of data, we propose a semisoft
task clustering approach, which can simultaneously reveal the task cluster
structure for both pure and mixed tasks as well as select the relevant
features. The main assumption behind our approach is that each cluster has some
pure tasks, and each mixed task can be represented by a linear combination of
pure tasks in different clusters. To solve the resulting non-convex constrained
optimization problem, we design an efficient three-step algorithm. The
experimental results based on synthetic and real-world datasets validate the
effectiveness and efficiency of the proposed approach. Finally, we extend the
proposed approach to a robust task clustering problem.
- Abstract(参考訳): マルチタスク学習(MTL)は、複数の関連する予測タスクの性能を向上させることを目的としている。
未知の係数を著しく低減する柔軟性と能力のため、タスククラスタリングに基づくMTLアプローチは注目されている。
そこで我々は,データの半ソフトクラスタリングの考え方に動機づけられ,純粋タスクと混合タスクの両方のタスククラスタ構造を同時に明らかにし,関連する機能を選択する半ソフトタスククラスタリング手法を提案する。
このアプローチの背後にある主な前提は、各クラスタにはいくつかの純粋なタスクがあり、それぞれの混合タスクは異なるクラスタ内の純粋なタスクの線形結合によって表現できるということです。
結果として生じる非凸制約最適化問題を解決するために,効率的な3ステップアルゴリズムを設計する。
合成および実世界のデータセットに基づく実験結果は,提案手法の有効性と有効性を検証する。
最後に,提案手法をロバストなタスククラスタリング問題に拡張する。
関連論文リスト
- Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis [53.38518232934096]
マルチタスク学習(MTL)は、タスク間の共有知識を活用し、一般化とパフォーマンスを改善するために設計された強力な機械学習パラダイムである。
本稿では,タスククラスタリングと特徴変換の交点におけるMTL手法を提案する。
両段階において、鍵となる側面は減った目標と特徴の解釈可能性を維持することである。
論文 参考訳(メタデータ) (2024-06-12T08:30:16Z) - Multi-task learning via robust regularized clustering with non-convex group penalties [0.0]
マルチタスク学習(MTL)は、関連するタスク間で共通情報を共有することにより、推定性能を向上させることを目的としている。
この仮定に基づく既存のMTLメソッドは、しばしば外れたタスクを無視する。
MTLRRC(MultiTask Regularized Clustering)と呼ばれる新しいMTL手法を提案する。
論文 参考訳(メタデータ) (2024-04-04T07:09:43Z) - A Weighted K-Center Algorithm for Data Subset Selection [70.49696246526199]
サブセット選択は、トレーニングデータの小さな部分を特定する上で重要な役割を果たす、基本的な問題である。
我々は,k中心および不確かさサンプリング目的関数の重み付け和に基づいて,サブセットを計算する新しい係数3近似アルゴリズムを開発した。
論文 参考訳(メタデータ) (2023-12-17T04:41:07Z) - STG-MTL: Scalable Task Grouping for Multi-Task Learning Using Data Map [4.263847576433289]
MTL(Multi-Task Learning)は、従来のSTL(Single-Task Learning)よりも性能が向上し、普及した強力な技術である。
しかし、MTLは指数的なタスクグルーピング数が多いため、しばしば困難である。
本稿では,これらの課題に対処し,課題分類のためのスケーラブルでモジュール化されたソリューションを提供する新しいデータ駆動手法を提案する。
論文 参考訳(メタデータ) (2023-07-07T03:54:26Z) - One-step Multi-view Clustering with Diverse Representation [47.41455937479201]
本稿では,多視点学習と$k$-meansを統合フレームワークに組み込んだ一段階のマルチビュークラスタリングを提案する。
そこで本研究では,効率の良い最適化アルゴリズムを開発し,その解法について述べる。
論文 参考訳(メタデータ) (2023-06-08T02:52:24Z) - Multi-Task Learning with Prior Information [5.770309971945476]
本稿では,機能間の関係に関する事前知識を利用するマルチタスク学習フレームワークを提案する。
また、各特徴に対して変化する係数に対してペナルティを課し、それらの共通する特徴に類似した係数を持つことを保証します。
論文 参考訳(メタデータ) (2023-01-04T12:48:05Z) - 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) - Task-Feature Collaborative Learning with Application to Personalized
Attribute Prediction [166.87111665908333]
本稿では,TFCL(Task-Feature Collaborative Learning)と呼ばれる新しいマルチタスク学習手法を提案する。
具体的には、まず、特徴とタスクの協調的なグループ化を活用するために、不均一なブロック対角構造正規化器を用いたベースモデルを提案する。
実際の拡張として,重なり合う機能と難易度を区別することで,基本モデルを拡張します。
論文 参考訳(メタデータ) (2020-04-29T02:32:04Z)
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。