論文の概要: EMAN: Optimization-Driven Capacity Growth through Path Emergence in Multi-Task Learning

• arxiv url: http://arxiv.org/abs/2608.16930v1
• Date: Wed, 05 Aug 2026 06:06:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-23 14:54:39.97989
• Title: EMAN: Optimization-Driven Capacity Growth through Path Emergence in Multi-Task Learning
• Title（参考訳）: EMAN:マルチタスク学習における経路創発による最適化駆動能力成長
• Abstract要約: 本稿では,非対称な成長方向を潜在相対位相で露呈する最適化駆動型フレームワークを提案する。 EMANは、認証後のみ2つの同等容量の独立パスを具体化する。 コントロールされたランク設定、PASCAL-Context、NYUv2の実験は、その有効性を検証する。
• 参考スコア（独自算出の注目度）: 13.480775464589627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing multi-task learning methods rely on hard sharing, multiple paths or experts, adaptive sharing, and dynamic expansion. However, their capacity changes are usually constrained by predefined structures or triggered by task boundaries and conflict signals. This raises a fundamental question: can a network start from exact single-path computation and grow a new independent path only when persistent optimization evidence appears? We propose the Emergent Modular Atomic Network (EMAN), an optimization-driven framework for exposing an antisymmetric growth direction through latent relative phases without instantiating a second path, and for monitoring multiple decision signals during training to transform local optimization evidence into a structural decision. EMAN materializes two equal-capacity independent paths only after certification. EMAN adaptively allocates shared and task-specific representation capacity to accommodate varying task requirements. Extensive experiments on controlled rank settings, PASCAL-Context, and NYUv2 validate its effectiveness, achieving improved performance at a competitive computational cost.
• Abstract（参考訳）: 既存のマルチタスク学習手法は、ハードシェアリング、複数のパスまたはエキスパート、適応共有、動的拡張に依存している。 しかしながら、キャパシティの変更は通常、事前に定義された構造によって制約されるか、あるいはタスク境界とコンフリクト信号によってトリガーされる。 ネットワークは、完全なシングルパス計算から始まり、永続的な最適化証拠が現れる場合にのみ、新しい独立したパスを成長させることができるか? 本稿では,第2経路をインスタンス化せずに,非対称成長方向を非対称に露光する最適化駆動フレームワークであるEmergent Modular Atomic Network (EMAN)を提案する。 EMANは、認証後のみ2つの同等容量の独立パスを具体化する。 EMANは、様々なタスク要求を満たすために、共有およびタスク固有の表現能力を適応的に割り当てる。 制御されたランク設定、PASCAL-Context、NYUv2に関する大規模な実験は、その有効性を検証し、競争力のある計算コストで性能を向上した。

関連論文リスト

• Generalizable Multi-Task Learning for Wireless Networks Using Prompt Decision Transformers [3.8613477927967614]
  本稿では, Prompt Decision Transformer (PromptDT) を用いたマルチタスク学習フレームワークを提案する。 PromptDTは、ベースラインと比較して、マルチタスク設定でQoEを最大49%改善する。
  論文  参考訳（メタデータ） (2026-06-03T01:03:38Z)
• CRAM: Centroid-Routing and Adaptive MoE for Multimodal Continual Instruction Tuning [16.21619173438734]
  MLLM(Multimodal Large Language Models)は、多種多様な視覚言語タスクを、命令チューニングを通じて共有生成フレームワークで統合する。 既存のメソッドは、共有パラメータセットですべてのタスクを更新するか、新しいタスクごとに専用のモジュールを割り当てる。 CRAMはタスク固有のパターンを独立したモジュールに分離することで、タスク間の破滅的な忘れを軽減します。
  論文  参考訳（メタデータ） (2026-06-01T17:11:30Z)
• Semantically Structured Mixture-of-Experts for Compositional Robotic Manipulation [21.358519910897652]
  拡散ベースのポリシーは、正確なロボット操作のための新しい標準を確立したが、重要なスケーラビリティのボトルネックに直面している。 合成ロボット操作のためのSMODP(Semantically Structured Mixture-of-Experts Diffusion Policy)を導入する。 提案手法は,パラメータ効率が大幅に向上したマルチタスクベンチマークにおいて,代表拡散とMoEベースのベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2026-05-22T10:38:59Z)
• ToolSelf: Unifying Task Execution and Self-Reconfiguration via Tool-Driven Intrinsic Adaptation [60.25542764389203]
  LLM(Large Language Models)を利用したエージェントシステムは、複雑で長期のタスクに対処する上で、顕著な可能性を示している。 既存のアプローチでは、手動のオーケストレーションやランタイムベースのパッチを頼りにしており、一般化の貧弱さと最適化の断片化に悩まされることが多い。 ツール駆動の自己修正を可能にする新しいパラダイムであるToolSelfを提案する。
  論文  参考訳（メタデータ） (2026-02-08T09:27:18Z)
• Transforming Vision Transformer: Towards Efficient Multi-Task Asynchronous Learning [59.001091197106085]
  Vision TransformerのためのMulti-Task Learning (MTL)は、複数のタスクを同時に処理することでモデル能力を向上させることを目的としている。 最近の研究は、Mixture-of-Experts(MoE)構造の設計とローランド適応(LoRA)によるマルチタスク学習の効率化に重点を置いている。 本稿では,事前学習した視覚変換器を効率的なマルチタスク学習器に変換することで,EMTAL(Efficient Multi-Task Learning)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-01-12T17:41:23Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Effective Adaptation in Multi-Task Co-Training for Unified Autonomous Driving [103.745551954983]
  本稿では,3つの下流タスクにおけるMoCoやSimCLRなど,多種多様な自己監督手法の転送性能について検討する。 彼らのパフォーマンスは、サブ最適か、あるいはシングルタスクベースラインよりもはるかに遅れていることに気付きました。 汎用マルチタスクトレーニングのための,単純かつ効果的な事前訓練-適応-ファインチューンパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-09-19T12:15:31Z)
• E2-AEN: End-to-End Incremental Learning with Adaptively Expandable Network [57.87240860624937]
  本稿では,E2-AENという,エンドツーエンドのトレーニング可能な適応拡張可能なネットワークを提案する。 以前のタスクの精度を落とさずに、新しいタスクのための軽量な構造を動的に生成する。 E2-AENはコストを削減し、あらゆるフィードフォワードアーキテクチャをエンドツーエンドで構築できる。
  論文  参考訳（メタデータ） (2022-07-14T09:04:51Z)
• Controllable Dynamic Multi-Task Architectures [92.74372912009127]
  本稿では,そのアーキテクチャと重みを動的に調整し,所望のタスク選択とリソース制約に適合させる制御可能なマルチタスクネットワークを提案する。 本稿では,タスク親和性と分岐正規化損失を利用した2つのハイパーネットの非交互トレーニングを提案し,入力の嗜好を取り入れ,適応重み付き木構造モデルを予測する。
  論文  参考訳（メタデータ） (2022-03-28T17:56:40Z)

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。