Fugu-MT 論文翻訳(概要): Semantic-Aware Task Clustering for Constructive and Cooperative Multi-Tasking

論文の概要: Semantic-Aware Task Clustering for Constructive and Cooperative Multi-Tasking

arxiv url: http://arxiv.org/abs/2607.21426v1
Date: Thu, 23 Jul 2026 15:29:39 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-24 18:26:25.455585
Title: Semantic-Aware Task Clustering for Constructive and Cooperative Multi-Tasking
Title（参考訳）: 構成的・協調的マルチタスクのための意味認識型タスククラスタリング
Authors: Ahmad Halimi Razlighi, Maximilian H. V. Tillmann, Edgar Beck, Bho Matthiesen, Armin Dekorsy,
Abstract要約: CMT-SemComのための意味認識型タスククラスタリング手法を提案する。提案手法は, 破壊的協調と負の移動を効果的に緩和することを示す。
参考スコア（独自算出の注目度）: 6.198237241838558
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Cooperative multi-task semantic communication (CMT-SemCom) improves task execution performance by leveraging shared representations. However, as we demonstrated in [1], cooperative multi-tasking can be either constructive or destructive, depending on the semantic relationships among tasks. To ensure constructive cooperation, we propose a semantic-aware task clustering method for CMT-SemCom. We have formulated a sequential multi-stage optimization problem in which semantically aligned tasks are clustered once after a short initial training phase, and then end-to-end (E2E) joint training is conducted exclusively within the discovered groups. Specifically, the problem decomposes into two stages: (i) a semantic clustering problem leveraging hierarchical density-based spatial clustering, and (ii) an intra-cluster E2E CMT-SemCom learning problem. Simulation results demonstrate that the proposed framework effectively mitigates destructive cooperation and negative transfer, yielding accuracy gains compared to unclustered multi-tasking and individual training baselines.
Abstract（参考訳）: 協調マルチタスクセマンティックコミュニケーション(CMT-SemCom)は,共有表現を活用することでタスク実行性能を向上させる。しかし、[1]で示したように、協調的なマルチタスクは、タスク間の意味的関係によって構成的または破壊的になる可能性がある。そこで本研究では,CMT-SemComのためのセマンティック・アウェアなタスククラスタリング手法を提案する。我々は,短期初期訓練段階の後に意味的に整合したタスクをクラスタリングし,そのグループ内でのエンドツーエンド(E2E)共同トレーニングを行う,逐次的多段階最適化問題を定式化した。具体的には、問題は2つの段階に分けられる。一階層的密度に基づく空間クラスタリングを利用した意味クラスタリング問題、及び (II)クラスタ内E2E CMT-SemCom学習問題。シミュレーションの結果,提案手法は,非クラスタ化マルチタスクや個別トレーニングベースラインと比較して,破壊的協調と負の移動を効果的に軽減し,精度の向上を図っている。

関連論文リスト

Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs [52.26652574704317]
大規模言語モデル(LLM)はますますチームにデプロイされているが、既存のコーディネーションアプローチは2つの極端な部分を占めることが多い。本稿では,Language Agent Teams for Task Evolution (LATTE)を紹介した。
論文参考訳（メタデータ） (2026-05-07T14:19:17Z)
Decomposing the Basic Abilities of Large Language Models: Mitigating Cross-Task Interference in Multi-Task Instruct-Tuning [58.90602461025722]
大規模言語モデル(LLM)におけるマルチタスクインストラクトチューニングは、主にマルチタスクインストラクトチューニングによって駆動されている。トレーニングパラダイムは、異なるタスク間で共有されたパラメータよりも勾配が矛盾するため、クロスタスク干渉と呼ばれる重要な問題に悩まされる。本稿では,LLMパラメータを基本能力を表す高特異値LoRAエキスパートに分解するBADITを提案する。 6LLMのSuperNIベンチマークで広範な実験を行い、実験結果から、BADITはSOTA法より優れ、クロスタスク干渉の程度を緩和できることが示された。
論文参考訳（メタデータ） (2026-05-07T05:08:58Z)
CoAction: Cross-task Correlation-aware Pareto Set Learning [9.837762929043649]
マルチオブジェクトマルチタスク最適化のためのクロス・tAsk相関対応フレームワークを提案する。タスク固有の埋め込みベクトルを個別のタスクに割り当てることにより、モデルは知識共有を容易にしながらタスクを効果的に区別する。提案手法はベンチマーク問題と実世界のアプリケーションの両方をカバーする総合マルチタスクテストスイートで評価される。
論文参考訳（メタデータ） (2026-05-03T04:52:44Z)
Robust multi-task boosting using clustering and local ensembling [6.920276126310231]
クラスタリングと局所組立(RMB-CLE)を用いたロバストマルチタスクブースティングを提案する。 RMB-CLEは、クロスタスクエラーから直接タスク間類似性を導出する。各クラスタ内のローカルアンサンブルは、堅牢な知識共有を可能にする。
論文参考訳（メタデータ） (2026-02-15T16:59:23Z)
Semantic-Aware Task Clustering for Federated Cooperative Multi-Task Semantic Communication [6.198237241838558]
タスク指向意味コミュニケーション(SemCom)は、正確なシンボル再構成よりもタスク実行を優先する。 CMT-SemCom フレームワークを分散環境に拡張し,FL ベースの CMT-SemCom を提案する。本稿では,FLプロセスに統合された意味認識型タスククラスタリング手法を提案する。
論文参考訳（メタデータ） (2026-01-24T11:41:00Z)
MEJO: MLLM-Engaged Surgical Triplet Recognition via Inter- and Intra-Task Joint Optimization [52.149337961205624]
手術用三重項認識のためのタスク間最適化とタスク内最適化を両立する枠組みを提案する。タスク間最適化のために、タスク共有およびタスク固有コンポーネントに表現を分解する共有特徴分散学習スキーム(S$2$D)を導入する。タスク内最適化競合に対して,正負の曖昧さを識別・再バランスするコーディネート・グラディエント・ラーニング(CGL)戦略を開発する。
論文参考訳（メタデータ） (2025-09-16T09:48:52Z)
Semisoft Task Clustering for Multi-Task Learning [2.806911268410107]
マルチタスク学習(MTL)は、複数の関連する予測タスクの性能を向上させることを目的としている。そこで本研究では,タスククラスタリング構造を半ソフトなタスククラスタリング手法として提案する。合成および実世界のデータセットに基づく実験結果は,提案手法の有効性と有効性を検証する。
論文参考訳（メタデータ） (2022-11-28T07:23:56Z)
Semantics-Depth-Symbiosis: Deeply Coupled Semi-Supervised Learning of Semantics and Depth [83.94528876742096]
我々は,意味的セグメンテーションと深さ推定という2つの密なタスクのMTL問題に取り組み,クロスチャネル注意モジュール(CCAM)と呼ばれる新しいアテンションモジュールを提案する。次に,AffineMixと呼ばれる予測深度を用いた意味分節タスクのための新しいデータ拡張と,ColorAugと呼ばれる予測セマンティクスを用いた単純な深度増分を定式化する。最後に,提案手法の性能向上をCityscapesデータセットで検証し,深度と意味に基づく半教師付きジョイントモデルにおける最先端結果の実現を支援する。
論文参考訳（メタデータ） (2022-06-21T17:40:55Z)
Learning to Relate Depth and Semantics for Unsupervised Domain Adaptation [87.1188556802942]
教師なしドメイン適応(UDA)設定において,視覚的タスク関係を符号化してモデル性能を向上させる手法を提案する。本稿では,意味的および深さ的予測のタスク依存性を符号化する新しいクロスタスク関係層(ctrl)を提案する。さらに、セマンティック擬似ラベルを利用してターゲットドメインを監督する反復自己学習(ISL)トレーニングスキームを提案する。
論文参考訳（メタデータ） (2021-05-17T13:42:09Z)
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。