抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
マルチTask学習(MTL)は,タスク間の相互関係を活用し,限られたデータを持つアプリケーションに有用である。既存の研究は,異なるタスク関係仮定を作って,その妥当性はマルチタスク訓練の成功に重要である。多くのシナリオにおいて,タスク間の相互関係は,データの異なるグループ(即ち,トピック)で変化し,ここでは,トピック内タスク関係仮説と呼ぶ。この場合,均一タスク関係仮定による現在のMTLモデルは,異なるグループのデータ間の異なるタスク関係を完全に利用することができない。この観察に基づき,本論文では,任意の既存のMTL設計と組み合わせることができる,トピック内タスク関係を捉えるために,一般化トピックワイズマルチタスクアーキテクチャを提案した。さらに,2種類のスパース性制約とともに,新しい特殊化MTL設計,トピックタスクスパース性を提案した。主題-タスク-スパース性設計と組み合わせたアーキテクチャは,提案したTOMATOモデルを構築する。合成および4つの実世界データセットに関する実験は,著者らの提案モデルが,タスクワイズ比較に関して,6つの最先端のモデルと2つのベースラインを一貫して上回ることを示し,提案したトピック内タスク関係仮説の妥当性を実証した。https://github.com/JasonLC506/MTSEMにおけるTOMATOのソースコードとデータセットを解放した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】