文献

J-GLOBAL ID：202002231671012115   整理番号：20A0913300

ロバスト推定器ベース適応マルチタスク学習【JST・京大機械翻訳】

Robust Estimator based Adaptive Multi-Task Learning

著者 (4件)： Zhu Peiyuan (Shanghai Jiao Tong University,Key Laboratory of System Control and Signal Processing,Shanghai,China) ,  Chen Cailian (Shanghai Jiao Tong University,Key Laboratory of System Control and Signal Processing,Shanghai,China) ,  He Jianping (Shanghai Jiao Tong University,Key Laboratory of System Control and Signal Processing,Shanghai,China) ,  Zhu Shanying (Shanghai Jiao Tong University,Key Laboratory of System Control and Signal Processing,Shanghai,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： SSCI  ページ： 740-747  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： マルチタスク学習(MTL)アルゴリズムは,回帰精度を改善するために類似のタスクを通して価値ある情報を活用する。しかしながら,実際におけるアプリケーションは,多数のタスクの大規模な数の間の正確な関係を与えることができないシーンに遭遇することが多い。タスククラスタリングに基づく方法をそれらのケースで採用するとき,異種タスクと意味のない次元の間の過剰な接続は,既存のMTL方法によって完全に解釈することができない不十分な予測性能を引き起こすであろう。本論文では,新しいMTL法を提案し,複数タスク間の価値ある共有情報のより正確な利用を行い,そこでは,再下降ロバスト推定器を利用して,大規模数のタスクの連続クラスタリングを適応的に統一し,数ショットタスクの価値ある特徴を動的に選択した。複数のタスク間の関係のより良い記述を可能にするために,代替的に最適化できる多凸目的関数を定式化した。問題の複雑さと凸性を分析した後に,著者らは,近似的に線形時間複雑性によって最適に収束することができるスケーラブルな解法を提供した。最先端のモデルと比較して,提案したアプローチは,合成および現実的データセットの両方において,より良いRMSEスコアおよび時間効率を実行した。一方,類似の計算オーバーヘッドを用いて,実験は,著者らの方法がクラスタ化タスク単独より良い回帰精度を有するか,個々に価値ある特徴を選択することを実証した。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： アルゴリズム ,  最適化 ,  近似法 ,  クラスタ化 ,  応用プログラム ,  線形性 ,  目的関数 ,  凸形 ,  定式化 ,  *ロバスト推定
準シソーラス用語： オーバヘッド ,  複雑性 ,  予測性能 ,  *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)： ロバスト推定 ,  適応 ,  マルチタスク学習