文献

J-GLOBAL ID：202002229692370943   整理番号：20A0267677

注意によるエンドツーエンドマルチタスク学習【JST・京大機械翻訳】

End-To-End Multi-Task Learning With Attention

著者 (3件)： Liu Shikun (Imperial College London) ,  Johns Edward (Imperial College London) ,  Davison Andrew J. (Imperial College London)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： CVPR  ページ： 1871-1880  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： タスク特有の特徴レベル注意の学習を可能にする新しいマルチタスク学習アーキテクチャを提案した。著者らの設計,マルチタスク割当ネットワーク(MTAN)は,グローバルな特徴プールを含む単一共有ネットワークから成り,各タスクに対するソフトな注意モジュールと共に構成されている。これらのモジュールは,グローバルな特徴からタスク特有の特徴の学習を可能にし,同時に,異なるタスクを通して共有される特徴を同時に可能にする。このアーキテクチャは,エンドツーエンドで訓練され,任意のフィードフォワードニューラルネットワーク上で構築でき,実装が簡単で,パラメータ効率が高い。画像から画像への予測と画像分類タスクの両方を通して,種々のデータセットに関する著者らのアプローチを評価した。このアーキテクチャは,既存の方法に比べてマルチタスク学習において最先端技術であり,また,マルチタスク損失関数における様々な重みづけ方式に対して感度が低いことを示した。コードはhttps://github.com/lorenmt/mtanで利用可能である。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ネットワーク ,  損失関数 ,  計算機アーキテクチャ ,  重みづけ ,  *エンドツーエンド方式
準シソーラス用語： 最先端技術 ,  画像分類 ,  フィードフォワードニューラルネットワーク ,  *マルチタスク ,  *マルチタスク学習 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 注意 ,  エンドツーエンド ,  マルチタスク学習