論文の概要: Tensorized Multi-Task Learning for Personalized Modeling of Heterogeneous Individuals with High-Dimensional Data

• arxiv url: http://arxiv.org/abs/2508.15676v1
• Date: Thu, 21 Aug 2025 15:55:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-22 16:26:46.396119
• Title: Tensorized Multi-Task Learning for Personalized Modeling of Heterogeneous Individuals with High-Dimensional Data
• Title（参考訳）: 高次元データを用いた異種者の個人化モデリングのためのテンソル型マルチタスク学習
• Authors: Elif Konyar, Mostafa Reisi Gahrooei, Kamran Paynabar,
• Abstract要約: 本稿では、低ランク分解によりタスクモデルパラメータの集合を低ランク構造に分解するフレームワークを提案する。 このアプローチは、類似したタスク間で知識を共有することによって、パーソナライズされたモデルの効率的な学習を可能にする。
• 参考スコア（独自算出の注目度）: 2.676349883103404
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effective modeling of heterogeneous subpopulations presents a significant challenge due to variations in individual characteristics and behaviors. This paper proposes a novel approach to address this issue through multi-task learning (MTL) and low-rank tensor decomposition techniques. Our MTL approach aims to enhance personalized modeling by leveraging shared structures among similar tasks while accounting for distinct subpopulation-specific variations. We introduce a framework where low-rank decomposition decomposes the collection of task model parameters into a low-rank structure that captures commonalities and variations across tasks and subpopulations. This approach allows for efficient learning of personalized models by sharing knowledge between similar tasks while preserving the unique characteristics of each subpopulation. Experimental results in simulation and case study datasets demonstrate the superior performance of the proposed method compared to several benchmarks, particularly in scenarios with high variability among subpopulations. The proposed framework not only improves prediction accuracy but also enhances interpretability by revealing underlying patterns that contribute to the personalization of models.
• Abstract（参考訳）: 不均一なサブポピュレーションの効果的なモデリングは、個々の特性や行動の変化によって大きな課題となる。 本稿では,マルチタスク学習(MTL)と低ランクテンソル分解技術を用いてこの問題に対処する新しい手法を提案する。 MTLアプローチは、類似したタスク間の共有構造を利用して、異なるサブポピュレーション固有のバリエーションを考慮しつつ、パーソナライズされたモデリングを強化することを目的としている。 本稿では,タスクモデルパラメータの集合を低ランク構造に分解し,タスクやサブポピュレーションの共通点やバリエーションをキャプチャするフレームワークを提案する。 このアプローチは、各サブポピュレーションのユニークな特性を保ちながら、類似したタスク間で知識を共有することによって、パーソナライズされたモデルの効率的な学習を可能にする。 シミュレーションおよびケーススタディデータセットによる実験結果から,提案手法のいくつかのベンチマーク,特にサブポピュレーションの多様性が高いシナリオにおいて,提案手法の優れた性能が示された。 提案フレームワークは,予測精度を向上するだけでなく,モデルのパーソナライズに寄与する基礎となるパターンを明らかにすることにより,解釈可能性を向上させる。

関連論文リスト

• Modeling Multi-Task Model Merging as Adaptive Projective Gradient Descent [72.10987117380584]
  複数のエキスパートモデルをマージすることは、元のデータにアクセスせずにマルチタスク学習を実行するための有望なアプローチを提供する。 既存のメソッドは、競合を引き起こす一方で、パフォーマンスにとって重要なタスク固有の情報を捨てている。 我々の手法は従来の手法より一貫して優れており、視覚領域とNLP領域の両方において様々なアーキテクチャやタスクにまたがって最先端の結果が得られます。
  論文  参考訳（メタデータ） (2025-01-02T12:45:21Z)
• Task Groupings Regularization: Data-Free Meta-Learning with Heterogeneous Pre-trained Models [83.02797560769285]
  Data-Free Meta-Learning (DFML)は、トレーニング済みモデルのコレクションから、元のデータにアクセスせずに知識を抽出することを目的としている。 現在の手法は、事前訓練されたモデル間の不均一性を見落とし、タスクの衝突による性能低下につながることが多い。
  論文  参考訳（メタデータ） (2024-05-26T13:11:55Z)
• Out-of-Distribution Detection via Deep Multi-Comprehension Ensemble [11.542472900306745]
  マルチComprehension (MC) Ensemble は,OOD (Out-of-Distribution) 特徴表現を拡大するための戦略として提案されている。 OOD検出におけるMC Ensemble戦略の優れた性能を示す実験結果を得た。 これにより,提案手法がトレーニング分布外のインスタンスを検出できるモデルの性能向上に有効であることを示す。
  論文  参考訳（メタデータ） (2024-03-24T18:43:04Z)
• Hierarchical Few-Shot Generative Models [18.216729811514718]
  本稿では,ニューラルネットワークを階層的なアプローチに拡張する潜伏変数のアプローチについて検討する。 以上の結果から,階層的な定式化は,小データ構造における集合内の内在的変動をよりよく捉えることが示唆された。
  論文  参考訳（メタデータ） (2021-10-23T19:19:39Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• 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。