論文の概要: T3S: Improving Multi-Task Reinforcement Learning with Task-Specific Feature Selector and Scheduler

• arxiv url: http://arxiv.org/abs/2608.30765v1
• Date: Mon, 31 Aug 2026 13:30:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.418305
• Title: T3S: Improving Multi-Task Reinforcement Learning with Task-Specific Feature Selector and Scheduler
• Title（参考訳）: T3S:タスク特化機能セレクタとスケジューリング器によるマルチタスク強化学習の改善
• Abstract要約: マルチタスク強化学習(MTRL、Multi-task reinforcement learning)は、複数のタスクを同時にトレーニングする技法である。 本稿では,機能セレクタとタスクスケジューラの2つのコンポーネントで構成される,タスク特化機能セレクタとスケジューリング(T3S)と呼ばれる新しいMTRLフレームワークを提案する。 具体的には、機能セレクタはハイパーネットワークを使用してタスク固有のソフトマスクを構築し、グローバルな共有表現によってタスク固有の機能を構築することができる。
• 参考スコア（独自算出の注目度）: 51.05812650668468
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-task reinforcement learning (MTRL) is a technique to train multiple tasks simultaneously, where previous works usually train a single model to solve different tasks by sharing parameters across various tasks. However, these methods are faced with inter-task interference since what parameters should be shared across tasks is not addressed, dramatically reducing learning efficiency. To solve these problems, we propose a novel MTRL framework called Task-Specific feature Selector and Scheduler (T3S), which consists of two components: a feature selector and a task scheduler. Specifically, the feature selectors employ hypernetworks to construct task-specific soft masks, which can be applied by globally shared representation to construct task-specific features. The task scheduler selects tasks for learning through two metrics, where the selection probability is inversely proportional to task progress (e.g., success rate) and task learning speed. Experimental results show that T3S consistently outperforms the state-of-the-art MTRL algorithms on various robotics manipulation tasks.
• Abstract（参考訳）: マルチタスク強化学習(MTRL、Multi-task reinforcement learning)は、複数のタスクを同時にトレーニングする技法である。 しかし、これらの手法はタスク間で共有すべきパラメータに対処しないため、タスク間干渉に直面するため、学習効率が劇的に低下する。 これらの問題を解決するために,機能セレクタとタスクスケジューラの2つのコンポーネントで構成されるタスク特化機能セレクタとスケジューリング(T3S)と呼ばれる新しいMTRLフレームワークを提案する。 具体的には、機能セレクタはハイパーネットワークを使用してタスク固有のソフトマスクを構築し、グローバルな共有表現によってタスク固有の機能を構築することができる。 タスクスケジューラは、選択確率がタスク進行(例えば、成功率)とタスク学習速度に逆比例する2つのメトリクスを通して学習するタスクを選択する。 実験の結果、T3Sは様々なロボット操作タスクにおいて最先端のMTRLアルゴリズムより一貫して優れていた。

関連論文リスト

• SwitchMT: An Adaptive Context Switching Methodology for Scalable Multi-Task Learning in Intelligent Autonomous Agents [5.343921650701002]
  自律エージェントにおけるRLに基づくマルチタスク学習のための適応型タスクスイッチング手法を提案する。 SwitchMTは、アクティブなデンドライトとデュエル構造を備えたDeep Spiking Q-Networkを使用して、特別なサブネットワークを作成する。 最先端の手法に比べてマルチタスク学習において優れた性能を発揮する。
  論文  参考訳（メタデータ） (2025-04-18T08:12:59Z)
• M3Net: Multimodal Multi-task Learning for 3D Detection, Segmentation, and Occupancy Prediction in Autonomous Driving [48.17490295484055]
  M3Netは、自動運転の検知、セグメンテーション、および3D占有率予測に同時に取り組む新しいネットワークである。 M3NetはnuScenesベンチマークで最先端のマルチタスク学習性能を達成する。
  論文  参考訳（メタデータ） (2025-03-23T15:08:09Z)
• Cross-Task Affinity Learning for Multitask Dense Scene Predictions [5.939164722752263]
  マルチタスク学習(MTL)は,複数のタスクを同時に予測する能力で注目されている。 マルチタスクネットワークにおけるタスク改善を強化する軽量フレームワークであるクロスタスク親和性学習(CTAL)モジュールを紹介する。 以上の結果から,CNNとトランスフォーマーの両バックボーンに対して,シングルタスク学習よりもはるかに少ないパラメータを用いて,最先端のMTL性能を実証した。
  論文  参考訳（メタデータ） (2024-01-20T05:31:47Z)
• TaskExpert: Dynamically Assembling Multi-Task Representations with Memorial Mixture-of-Experts [11.608682595506354]
  最近のモデルでは、タスク固有の機能を1つの共有タスクジェネリック機能から直接デコードすることを検討している。 入力機能が完全に共有され、各タスクデコーダは異なる入力サンプルのデコードパラメータも共有するので、静的な機能デコードプロセスにつながる。 本稿では,複数のタスク・ジェネリックな特徴空間を学習可能なマルチタスク・ミックス・オブ・エキスパート・モデルであるTaskExpertを提案する。
  論文  参考訳（メタデータ） (2023-07-28T06:00:57Z)
• Sparsely Activated Mixture-of-Experts are Robust Multi-Task Learners [67.5865966762559]
  本研究では,Mixture-of-Experts (MoE) がマルチタスク学習を改善するかを検討した。 タスク認識ゲーティング関数を考案し、異なるタスクから専門の専門家にサンプルをルーティングする。 これにより、多数のパラメータを持つ疎活性化マルチタスクモデルが得られるが、高密度モデルの計算コストは同じである。
  論文  参考訳（メタデータ） (2022-04-16T00:56:12Z)
• Modular Adaptive Policy Selection for Multi-Task Imitation Learning through Task Division [60.232542918414985]
  マルチタスク学習は、しばしば負の伝達に悩まされ、タスク固有の情報を共有する。 これは、プロトポリケーションをモジュールとして使用して、タスクを共有可能な単純なサブ振る舞いに分割する。 また、タスクを共有サブ行動とタスク固有のサブ行動の両方に自律的に分割する能力を示す。
  論文  参考訳（メタデータ） (2022-03-28T15:53:17Z)
• Efficiently Identifying Task Groupings for Multi-Task Learning [55.80489920205404]
  マルチタスク学習は、あるタスクによって学習された情報を活用して、他のタスクのトレーニングに役立てることができる。 マルチタスク学習モデルにおいて、どのタスクを一緒にトレーニングすべきかを選択するアプローチを提案する。 本手法は,全タスクを協調学習し,タスクの勾配が他のタスクの損失に影響を及ぼす影響を定量化する。
  論文  参考訳（メタデータ） (2021-09-10T02:01:43Z)
• Knowledge Distillation for Multi-task Learning [38.20005345733544]
  マルチタスク学習(MTL)は、全てのタスクで優れたパフォーマンスを達成し、計算コストを下げるための複数のタスクを実行する単一のモデルを学習することである。 そのようなモデルを学ぶには、難易度、大きさ、特性の異なる一連のタスクの損失を共同で最適化する必要がある。 本研究では,マルチタスク学習における不均衡問題に対処するために,知識蒸留に基づく手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T08:02:42Z)
• MTI-Net: Multi-Scale Task Interaction Networks for Multi-Task Learning [82.62433731378455]
  特定のスケールで高い親和性を持つタスクは、他のスケールでこの動作を維持することが保証されていないことを示す。 本稿では,この発見に基づく新しいアーキテクチャ MTI-Net を提案する。
  論文  参考訳（メタデータ） (2020-01-19T21:02:36Z)

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。