マルチタスクシーンにおけるマルチビュー表現学習【JST・京大機械翻訳】

Lu Run-kun; Liu Jian-wei; Lian Si-ming; Zuo Xin

プレプリント

J-GLOBAL ID：202202208022464447 整理番号：22P0274989

マルチタスクシーンにおけるマルチビュー表現学習【JST・京大機械翻訳】

Multi-View representation learning in Multi-Task Scene

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年01月15日プレプリントサーバーでの情報更新日： 2022年01月15日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

ここ数十年間,マルチタスク学習またはマルチビュー学習が,両学習シーンを同時に考慮する状況は,あまり注目されていない。各学習タスクパフォーマンスを改善するために,各単一タスクの多重ビュー潜在表現を利用する方法は,課題問題である。これに基づいて,著者らは,一般的および特殊特徴(MTMVCSF)に基づくマルチタグマルチビュー学習と呼ばれる新しい半教師つきアルゴリズムを提案した。一般に,マルチビューはオブジェクトの異なる側面であり,あらゆるビューは,このオブジェクトの根底にある共通または特別な情報を含む。結果として,著者らは,各視点の特別な特徴およびすべての見解の共通特徴から成る各学習タスクの複数の視点を共同潜在因子にマイニングする。この方法によって,元のマルチタスクマルチビューデータはマルチタスクデータに退化し,複数のタスク間の相関を探索することにより,学習アルゴリズムの性能の改善が可能になる。このアプローチのもう一つの明白な利点は,ラベル付きインスタンスによる回帰タスクの制約によってラベルなしインスタンスの集合の潜在表現を得ることである。これらの潜在表現における分類と半教師つきクラスタリングタスクの性能は,生データよりも明らかに優れている。さらに,AN-MTMVCSFと呼ばれるアンチノイズマルチタスクマルチビューアルゴリズムを提案して,それはノイズラベルに強い適応性を有した。これらのアルゴリズムの有効性を,実世界と合成データの両方に関する一連のよく設計された実験によって証明した。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

人工知能 , パターン認識

, , ,

前のページに戻る