論文の概要: Multi-Task Hypergraphs for Semi-supervised Learning using Earth Observations

• arxiv url: http://arxiv.org/abs/2308.11021v1
• Date: Mon, 21 Aug 2023 20:22:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-23 19:59:16.780802
• Title: Multi-Task Hypergraphs for Semi-supervised Learning using Earth Observations
• Title（参考訳）: 地球観測を用いた半教師あり学習のためのマルチタスクハイパーグラフ
• Authors: Mihai Pirvu, Alina Marcu, Alexandra Dobrescu, Nabil Belbachir, Marius Leordeanu
• Abstract要約: 本稿では,各ノードがタスクであり,与えられたタスクに到達したハイパーグラフが教師なしの教師になるような,強力なマルチタスクハイパーグラフを提案する。 我々のモデルは、地球観測の最も重要な問題の一つに応用され、それは非常に多タスクであり、しばしば地上データ不足に悩まされる。 ハイパーグラフは、そのマルチタスク・セルフ・スーパービジョン・プロセスを通じて、段階的なデータ分散シフトに教師なしで適応し、確実に回復可能であることを示す。
• 参考スコア（独自算出の注目度）: 51.344339837501835
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There are many ways of interpreting the world and they are highly interdependent. We exploit such complex dependencies and introduce a powerful multi-task hypergraph, in which every node is a task and different paths through the hypergraph reaching a given task become unsupervised teachers, by forming ensembles that learn to generate reliable pseudolabels for that task. Each hyperedge is part of an ensemble teacher for a given task and it is also a student of the self-supervised hypergraph system. We apply our model to one of the most important problems of our times, that of Earth Observation, which is highly multi-task and it often suffers from missing ground-truth data. By performing extensive experiments on the NASA NEO Dataset, spanning a period of 22 years, we demonstrate the value of our multi-task semi-supervised approach, by consistent improvements over strong baselines and recent work. We also show that the hypergraph can adapt unsupervised to gradual data distribution shifts and reliably recover, through its multi-task self-supervision process, the missing data for several observational layers for up to seven years.
• Abstract（参考訳）: 世界の解釈には様々な方法があり、相互依存度が高い。 このような複雑な依存関係を利用して、各ノードがタスクであり、与えられたタスクに到達したハイパーグラフを通して異なるパスが教師なしの教師になるような、強力なマルチタスクハイパーグラフを導入します。 各ハイパーエッジは、与えられたタスクのためのアンサンブル教師の一部であり、自己教師型ハイパーグラフシステムの学生でもある。 我々のモデルは、地球観測の最も重要な問題の一つに応用され、それは非常に多タスクであり、しばしば地上データ不足に悩まされる。 nasaのneoデータセットで22年間にわたる広範な実験を行い、強力なベースラインと最近の作業に対して一貫した改善を行うことで、マルチタスクの半教師付きアプローチの価値を実証する。 また,ハイパーグラフは,複数の観測層で最大7年間にわたって欠落したデータであるマルチタスク・セルフスーパービジョン・プロセスを通じて,教師なしデータ分散シフトに適応し,確実に回復可能であることを示す。

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)
• Self-supervised Hypergraphs for Learning Multiple World Interpretations [16.83248115598725]
  マルチタスクハイパーグラフの形式で,これらの表現間の関係を利用して,小さなラベル付き集合を与えられた複数のシーン表現を学習する手法を提案する。 ラベル付きデータを追加せずに、ハイパーグラフを使って強力なトレーニング済みVisTransformerモデルを改善する方法を示す。 我々はまた、異なる複雑な現実世界のシーンでUAVでキャプチャされた大規模なビデオデータセットであるDronescapesを紹介し、マルチタスク学習に適した複数の表現を紹介した。
  論文  参考訳（メタデータ） (2023-08-15T07:51:53Z)
• Unsupervised Task Graph Generation from Instructional Video Transcripts [53.54435048879365]
  本研究では,実世界の活動を行う指導ビデオのテキスト書き起こしを提供する環境について考察する。 目標は、これらの重要なステップ間の依存関係関係と同様に、タスクに関連する重要なステップを特定することです。 本稿では,命令調整言語モデルの推論能力とクラスタリングとランキングコンポーネントを組み合わせたタスクグラフ生成手法を提案する。
  論文  参考訳（メタデータ） (2023-02-17T22:50:08Z)
• Task Compass: Scaling Multi-task Pre-training with Task Prefix [122.49242976184617]
  既存の研究では、大規模教師付きタスクによるマルチタスク学習がタスク間の負の効果に悩まされていることが示されている。 タスク間の関係を探索するために,タスクプレフィックスガイド付きマルチタスク事前学習フレームワークを提案する。 我々のモデルは、幅広いタスクの強力な基盤バックボーンとして機能するだけでなく、タスク関係を分析するための探索ツールとしても実現可能である。
  論文  参考訳（メタデータ） (2022-10-12T15:02:04Z)
• Learning Multiple Dense Prediction Tasks from Partially Annotated Data [41.821234589075445]
  マルチタスク部分教師付き学習(multi-task part-supervised learning)と呼ぶ部分注釈付きデータ上で,複数の密接な予測タスクを共同で学習する。 本稿では,タスク関係を利用したマルチタスク学習手法を提案する。 提案手法は,既存の半教師付き学習手法や関連手法を3つの標準ベンチマークで上回り,非ラベルなタスクで効果的に活用できることを厳密に実証する。
  論文  参考訳（メタデータ） (2021-11-29T19:03:12Z)
• Understanding the World Through Action [91.3755431537592]
  ラベルのないデータを利用するための汎用的で原則的で強力なフレームワークは、強化学習から導き出すことができると私は主張する。 このような手順が、下流の潜在的なタスクとどのように密接に一致しているかについて論じます。
  論文  参考訳（メタデータ） (2021-10-24T22:33:52Z)
• Unsupervised Domain Adaptation through Iterative Consensus Shift in a Multi-Task Graph [22.308239339243272]
  赤ちゃんは周囲の世界を観察することでほとんど監督なしで学ぶ。 提案するマルチタスクグラフのコンセンサスシフト学習は,専門家モデルが提供する擬似ラベルにのみ依存する。 我々は,Replicaデータセットの重要コントリビューションを実験的に検証し,最小限の監督を伴うマルチタスク学習法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-26T11:57:42Z)
• HyperGrid: Efficient Multi-Task Transformers with Grid-wise Decomposable Hyper Projections [96.64246471034195]
  我々は,マルチタスク学習を効果的に行う新しいアプローチであるtextscHyperGridを提案する。 本手法は,微調整とマルチタスク学習のギャップを埋めるのに役立つ。
  論文  参考訳（メタデータ） (2020-07-12T02:49:16Z)

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。