論文の概要: An Explainable Multi-Task Similarity Measure: Integrating Accumulated Local Effects and Weighted Fréchet Distance

• arxiv url: http://arxiv.org/abs/2602.07966v1
• Date: Sun, 08 Feb 2026 13:29:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.895109
• Title: An Explainable Multi-Task Similarity Measure: Integrating Accumulated Local Effects and Weighted Fréchet Distance
• Title（参考訳）: 説明可能なマルチタスク類似度尺度:蓄積局所効果と重み付きフレシェ距離の統合
• Authors: Pablo Hidalgo, Daniel Rodriguez,
• Abstract要約: 説明可能な人工知能(XAI)技術に基づくマルチタスク類似度尺度を提案する。 この尺度は、シングルタスク学習シナリオとマルチタスク学習シナリオの両方に適用できる。 この測定は,4つのデータセット,1つの合成データセット,3つの実世界のデータセットを用いて検証する。
• 参考スコア（独自算出の注目度）: 0.6905751827458845
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In many machine learning contexts, tasks are often treated as interconnected components with the goal of leveraging knowledge transfer between them, which is the central aim of Multi-Task Learning (MTL). Consequently, this multi-task scenario requires addressing critical questions: which tasks are similar, and how and why do they exhibit similarity? In this work, we propose a multi-task similarity measure based on Explainable Artificial Intelligence (XAI) techniques, specifically Accumulated Local Effects (ALE) curves. ALE curves are compared using the Fréchet distance, weighted by the data distribution, and the resulting similarity measure incorporates the importance of each feature. The measure is applicable in both single-task learning scenarios, where each task is trained separately, and multi-task learning scenarios, where all tasks are learned simultaneously. The measure is model-agnostic, allowing the use of different machine learning models across tasks. A scaling factor is introduced to account for differences in predictive performance across tasks, and several recommendations are provided for applying the measure in complex scenarios. We validate this measure using four datasets, one synthetic dataset and three real-world datasets. The real-world datasets include a well-known Parkinson's dataset and a bike-sharing usage dataset -- both structured in tabular format -- as well as the CelebA dataset, which is used to evaluate the application of concept bottleneck encoders in a multitask learning setting. The results demonstrate that the measure aligns with intuitive expectations of task similarity across both tabular and non-tabular data, making it a valuable tool for exploring relationships between tasks and supporting informed decision-making.
• Abstract（参考訳）: 多くの機械学習環境では、タスクは相互接続されたコンポーネントとして扱われることが多く、MTL(Multi-Task Learning)の中心的な目的である知識伝達を活用することを目的としている。 その結果、このマルチタスクシナリオでは、どのタスクが類似しているか、なぜ類似性を示すのか、という、重要な問題に対処する必要があります。 本研究では,説明可能な人工知能(XAI)技術,特に累積局所効果(ALE)曲線に基づくマルチタスク類似度尺度を提案する。 ALE曲線はフレシェ距離を用いて比較され、データ分布によって重み付けされる。 この尺度は、各タスクを個別に訓練するシングルタスク学習シナリオと、すべてのタスクを同時に学習するマルチタスク学習シナリオの両方に適用できる。 この尺度はモデルに依存しないため、タスク間で異なる機械学習モデルを使用することができる。 タスク間の予測性能の違いを考慮に入れたスケーリングファクタを導入し、複雑なシナリオに適用するためのいくつかのレコメンデーションを提供する。 この測定は,4つのデータセット,1つの合成データセット,3つの実世界のデータセットを用いて検証する。 現実世界のデータセットには、よく知られたParkinsonのデータセットと、どちらも表形式で構造化された自転車シェアリング使用データセット、およびマルチタスク学習環境における概念ボトルネックエンコーダの適用を評価するために使用されるCelebAデータセットが含まれている。 その結果,タスク間の関係を探索し,情報的意思決定を支援する上で有用なツールとして,表型データと表型データの両方にまたがるタスク類似性の直感的な期待に一致した。

関連論文リスト

• Pilot: Building the Federated Multimodal Instruction Tuning Framework [79.56362403673354]
  本フレームワークは、視覚エンコーダとLCMのコネクタに「アダプタのアダプタ」の2つの段階を統合する。 ステージ1では視覚情報からタスク固有の特徴とクライアント固有の特徴を抽出する。 ステージ2では、クロスタスクインタラクションを実行するために、クロスタスクMixture-of-Adapters(CT-MoA)モジュールを構築します。
  論文  参考訳（メタデータ） (2025-01-23T07:49:24Z)
• 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)
• Multi-task Bias-Variance Trade-off Through Functional Constraints [102.64082402388192]
  マルチタスク学習は、多様なタスクによく機能する関数の集合を取得することを目的としている。 本稿では,2つの極端な学習シナリオ,すなわちすべてのタスクに対する単一関数と,他のタスクを無視するタスク固有関数から直感を抽出する。 本稿では,集中関数に対するドメイン固有解を強制する制約付き学習定式化を導入する。
  論文  参考訳（メタデータ） (2022-10-27T16:06:47Z)
• 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)
• Exploring Relational Context for Multi-Task Dense Prediction [76.86090370115]
  我々は,共通バックボーンと独立タスク固有のヘッドで表される,密集予測タスクのためのマルチタスク環境を考える。 マルチタスク設定では,グローバルやローカルなど,さまざまな注意に基づくコンテキストを探索する。 タスクペアごとに利用可能なすべてのコンテキストのプールをサンプリングするAdaptive Task-Relational Contextモジュールを提案する。
  論文  参考訳（メタデータ） (2021-04-28T16:45:56Z)
• Combat Data Shift in Few-shot Learning with Knowledge Graph [42.59886121530736]
  現実世界のアプリケーションでは、少数ショットの学習パラダイムはデータシフトに悩まされることが多い。 既存の少数ショット学習アプローチのほとんどは、データシフトを考慮して設計されていない。 本稿では,タスク固有表現とタスク共有表現を抽出するメタラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-01-27T12:35:18Z)

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。