論文の概要: Learned Cross-Task Relationships in Multi-Task Models

• arxiv url: http://arxiv.org/abs/2609.28776v2
• Date: Fri, 25 Sep 2026 22:04:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-29 21:31:51.756623
• Title: Learned Cross-Task Relationships in Multi-Task Models
• Title（参考訳）: マルチタスクモデルにおけるクロスタスク関係の学習
• Abstract要約: マルチタスクモデルにおけるクロスタスク関係を,目的とするペアワイズ関係を通じてタスクラベルの連成分布を近似することにより学習するフレームワークを提案する。 我々のフレームワークはどんなマルチタスクシステムにも当てはまるが、YouTubeのプロダクションレコメンデーションシステムで有効であることを示す。
• 参考スコア（独自算出の注目度）: 0.5921993992338803
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a framework that learns cross-task relationships in multi-task models by approximating the joint distribution of task labels through targeted pairwise relationships. This approach improves performance via transfer learning and enhances information extraction without the intractable complexity of modeling the full joint space. Although our framework applies to any multi-task system, we demonstrate its efficacy within YouTube's production recommendation systems. Experiments across the Notifications, Homepage, and Watch Next surfaces show improvements in both accuracy and user satisfaction metrics. Finally, we propose a workflow template to facilitate broader future implementation.
• Abstract（参考訳）: マルチタスクモデルにおけるクロスタスク関係を,目的とするペアワイズ関係を通じてタスクラベルの連成分布を近似することにより学習するフレームワークを提案する。 提案手法は,移動学習による性能向上と,全関節空間をモデル化する難解な複雑さを伴わずに情報抽出を向上させる。 我々のフレームワークはどんなマルチタスクシステムにも当てはまるが、YouTubeのプロダクションレコメンデーションシステムで有効であることを示す。 Notifications、Homepage、Watchの各サーフェスでの実験では、精度とユーザの満足度の両方が改善されている。 最後に,より広範な将来の実装を容易にするワークフローテンプレートを提案する。

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)
• 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)
• Task Compass: Scaling Multi-task Pre-training with Task Prefix [122.49242976184617]
  既存の研究では、大規模教師付きタスクによるマルチタスク学習がタスク間の負の効果に悩まされていることが示されている。 タスク間の関係を探索するために,タスクプレフィックスガイド付きマルチタスク事前学習フレームワークを提案する。 我々のモデルは、幅広いタスクの強力な基盤バックボーンとして機能するだけでなく、タスク関係を分析するための探索ツールとしても実現可能である。
  論文  参考訳（メタデータ） (2022-10-12T15:02:04Z)
• Design Perspectives of Multitask Deep Learning Models and Applications [1.3701366534590496]
  マルチタスク学習はモデルをさらに一般化することができた。 我々は,関連するタスク間で機能を共有することで,マルチタスクモデルの特徴マッピングを強化することを試みる。 また,マルチタスク学習のメリットを享受するために,タスク間のタスク関係を学習することに関心がある。
  論文  参考訳（メタデータ） (2022-09-27T15:04:31Z)
• DenseMTL: Cross-task Attention Mechanism for Dense Multi-task Learning [18.745373058797714]
  本稿では,相互に相互にタスクを交換するマルチタスク学習アーキテクチャを提案する。 我々は3つのマルチタスク・セットアップにまたがって広範な実験を行い、合成および実世界のベンチマークにおいて競合するベースラインと比較して、我々のアプローチの利点を示している。
  論文  参考訳（メタデータ） (2022-06-17T17:59:45Z)
• 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)
• Adversarial Continual Learning [99.56738010842301]
  本稿では,タスク不変およびタスク特化機能に対する不整合表現を学習するハイブリッド連続学習フレームワークを提案する。 本モデルでは,タスク固有のスキルの忘れを防止するためにアーキテクチャの成長と,共有スキルを維持するための経験的リプレイアプローチを組み合わせる。
  論文  参考訳（メタデータ） (2020-03-21T02:08:17Z)

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。