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。
既存の連続関係学習(CRL)法は,新しいタスクを学習するための多くのラベル付き訓練データに依存しており,大規模で代表的なラベル付きデータを得ることは,しばしば高価で時間がかかるので,実際のシナリオで獲得するのが難しい。したがって,以前のタスク知識の破滅的忘却を避けながら,非常に少ないラベル付きデータで新しい関係パターンを学習するモデルが必要である。本論文では,継続的な少数ショット関係学習(CFRL)として,この挑戦的だが実用的な問題を定式化した。新しい新興少数ショットタスクの学習は,以前のタスクの学習された分布と両立しない特徴分布をもたらすという知見に基づいて,空間正則化とデータ増強の埋込みに基づく新しい方法を提案する。提案手法は,新しい少数ショットタスクに一般化し,関係埋込みに余分な制約を強制し,自己監督された方法で余分な{関連}データを加えることにより,以前のタスクの破滅的忘却を回避する。広範な実験で,著者らの方法がCFRLタスク設定において以前の最先端技術を大幅に凌ぐことを示した。【JST・京大機械翻訳】