論文の概要: Multi-task Learning for Heterogeneous Multi-source Block-Wise Missing Data

• arxiv url: http://arxiv.org/abs/2505.24413v1
• Date: Fri, 30 May 2025 09:52:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-02 19:47:52.886598
• Title: Multi-task Learning for Heterogeneous Multi-source Block-Wise Missing Data
• Title（参考訳）: 不均一なマルチソースBlock-Wiseミスデータのマルチタスク学習
• Authors: Yang Sui, Qi Xu, Yang Bai, Annie Qu,
• Abstract要約: マルチタスク学習(MTL)は、複数の学習タスクを同時に解決するための命令型機械学習ツールとして登場した。 様々なタスクにまたがる情報を効果的に借用するためには、均質情報と異質情報の両方を活用することが不可欠である。
• 参考スコア（独自算出の注目度）: 14.428156175364544
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-task learning (MTL) has emerged as an imperative machine learning tool to solve multiple learning tasks simultaneously and has been successfully applied to healthcare, marketing, and biomedical fields. However, in order to borrow information across different tasks effectively, it is essential to utilize both homogeneous and heterogeneous information. Among the extensive literature on MTL, various forms of heterogeneity are presented in MTL problems, such as block-wise, distribution, and posterior heterogeneity. Existing methods, however, struggle to tackle these forms of heterogeneity simultaneously in a unified framework. In this paper, we propose a two-step learning strategy for MTL which addresses the aforementioned heterogeneity. First, we impute the missing blocks using shared representations extracted from homogeneous source across different tasks. Next, we disentangle the mappings between input features and responses into a shared component and a task-specific component, respectively, thereby enabling information borrowing through the shared component. Our numerical experiments and real-data analysis from the ADNI database demonstrate the superior MTL performance of the proposed method compared to other competing methods.
• Abstract（参考訳）: マルチタスク学習(MTL)は、複数の学習タスクを同時に解決するための命令型機械学習ツールとして登場し、医療、マーケティング、バイオメディカル分野への応用に成功している。 しかし、様々なタスクにまたがる情報を効果的に借用するには、均質情報と異質情報の両方を活用することが不可欠である。 MTLに関する広範な文献の中で、ブロックワイド、分布、後続の不均一性といった様々な不均一性は、MTL問題において提示される。 しかし、既存の手法は、統一されたフレームワークでこれらの形態の異質性に同時に取り組むのに苦労している。 本稿では、前述の不均一性に対処するMTLの2段階学習戦略を提案する。 まず、各タスク間で均質なソースから抽出した共有表現を用いて、欠落ブロックをインプットする。 次に、入力特徴と応答のマッピングをそれぞれ共有コンポーネントとタスク固有のコンポーネントに切り離し、共有コンポーネントを介して情報を借りることを可能にする。 ADNIデータベースを用いた数値実験と実データ解析により,提案手法のMTL性能が他の競合手法と比較して優れていることを示す。

関連論文リスト

• Multi-task Learning for Heterogeneous Data via Integrating Shared and Task-Specific Encodings [14.428156175364544]
  マルチタスク学習(MTL)は、複数の学習タスクを同時に処理する上で欠かせない機械学習ツールとなっている。 タスク毎に不均一な潜在因子空間を構築するためのデュアルエンコーダフレームワークを提案する。 本稿では,タスク固有およびタスク共有エンコーダと係数を交互に学習する統一アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-05-30T06:58:42Z)
• 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)
• 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)
• 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)
• Heterogeneous Multi-task Learning with Expert Diversity [15.714385295889944]
  そこで我々は,高度不均衡で異種なMTL学習に適した表現を,専門家の間でより多様な表現を導き出すアプローチを提案する。 我々は,集中治療のための医療情報マート (MIMIC-III) と PubChem Bio Assay (PCBA) の3つのMTLベンチマークデータセットに対して,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2021-06-20T01:30:37Z)
• 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。