論文の概要: Multi-task learning on partially labeled datasets via invariant/equivariant semi-supervised learning

• arxiv url: http://arxiv.org/abs/2605.17624v1
• Date: Sun, 17 May 2026 19:43:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.233515
• Title: Multi-task learning on partially labeled datasets via invariant/equivariant semi-supervised learning
• Title（参考訳）: 不変・同変半教師付き学習による部分ラベル付きデータセットのマルチタスク学習
• Authors: Miquel Martí i Rabadán, Alessandro Pieropan, Hossein Azizpour, Atsuto Maki,
• Abstract要約: 一般的なFixMatch法を、不変半教師付き学習とその同変拡張FixMatchに適用する。 コンピュータビジョンにおけるオブジェクト検出とセマンティックセグメンテーションタスクのコンテキストにおいて,Cityscapes と BDD100K データセットの性能を評価する。
• 参考スコア（独自算出の注目度）: 51.616045590947344
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We investigate the potential of invariant and equivariant semi-supervised learning for addressing the challenges of training multi-task models on partially labeled datasets with differently structured output tasks. Specifically, we use the popular FixMatch method for invariant semi-supervised learning and its equivariant extension Dense FixMatch. We evaluate their performance on the Cityscapes and BDD100K datasets in the context of the prevalent object detection and semantic segmentation tasks in computer vision. We consider varying sizes of the subsets annotated for each task and different overlaps among them. Our results for both invariant and equivariant semi-supervised learning outperform supervised baselines in most situations, with the most significant improvements observed when fewer labeled samples are available for a task and generally better results for the latter approach. Our study suggests that invariant/equivariant learning is a promising general direction for multi-task learning from limited labeled data.
• Abstract（参考訳）: 出力タスクが異なる部分ラベル付きデータセット上でマルチタスクモデルをトレーニングする際の課題に対処するために,不変および同変半教師付き学習の可能性を検討する。 具体的には、一般的なFixMatch法を、不変半教師付き学習とその同変拡張Dense FixMatchに適用する。 コンピュータビジョンにおけるオブジェクト検出とセマンティックセグメンテーションタスクのコンテキストにおいて,Cityscapes と BDD100K データセットの性能を評価する。 タスクごとにアノテートされたサブセットのサイズやオーバーラップについて検討する。 本研究の結果は, ほとんどの場合において, 半教師付き学習が教師付きベースラインより優れており, タスクにラベル付きサンプルが少ない場合, 後者のアプローチでは概ねより良い結果が得られた場合に最も有意な改善が見られた。 本研究は,有限ラベル付きデータを用いたマルチタスク学習において,不変/同変学習が有望な汎用方向であることを示唆する。

関連論文リスト

• 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)
• Leveraging sparse and shared feature activations for disentangled representation learning [112.22699167017471]
  本稿では,教師付きタスクの多種多様な集合から抽出した知識を活用し,共通不整合表現を学習することを提案する。 我々は6つの実世界分布シフトベンチマークと異なるデータモダリティに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2023-04-17T01:33:24Z)
• Self-supervised learning of Split Invariant Equivariant representations [0.0]
  55以上の3Dモデルと250万以上の画像からなる3DIEBenchを導入し、オブジェクトに適用される変換を完全に制御する。 我々はハイパーネットワークに基づく予測アーキテクチャを導入し、不変表現を非分散に分解することなく学習する。 SIE(Split Invariant-Equivariant)を導入し、よりリッチな表現を学ぶために、ハイパーネットワークベースの予測器と表現を2つの部分に分割する。
  論文  参考訳（メタデータ） (2023-02-14T07:53:18Z)
• Invariant Meta Learning for Out-of-Distribution Generalization [1.1718589131017048]
  本稿では,アウト・オブ・ディストリビューションタスクのための不変なメタ学習を提案する。 具体的には、不変な最適メタ初期化と、正規化ペナルティを持つ配布外タスクへの迅速な適応である。
  論文  参考訳（メタデータ） (2023-01-26T12:53:21Z)
• 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)
• Revisiting Unsupervised Meta-Learning: Amplifying or Compensating for the Characteristics of Few-Shot Tasks [30.893785366366078]
  我々は,限られたデータを用いて視覚認識システムを構築する,少数ショット画像分類への実践的アプローチを開発した。 基本クラスセットラベルは不要であり、識別的埋め込みは教師なしの方法でメタ学習される可能性がある。 数ショットの学習ベンチマークの実験では、従来の手法よりも4～10%のパフォーマンス差で、アプローチが優れていることが確認された。
  論文  参考訳（メタデータ） (2020-11-30T10:08:35Z)

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。