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。
自然な学習問題において,モデルの入力は,広範囲の特徴を含み,手でのタスクに対して,そして,他はそうではない。有用な特徴の中で,それはモデルを使用する。タスク関連特徴の中で,それはモデルを表す。これらの質問に対する回答は,元の訓練タスクを超えた多目的で適応可能な表現を学習する構築モデルだけでなく,モデル決定の基礎を理解するために重要である。入力特徴のタスク関連性を直接制御できる合成データセットを用いて,これらの質問を研究した。2つの特徴がラベルを冗長に予測するとき,モデルは1つを優先的に表現し,その選好は,非訓練モデルから最も線形に解読できる。訓練では,タスク関連特徴が強化され,タスク関連特徴が部分的に抑制される。興味深いことに,いくつかの場合において,より容易な,弱い予測特性は,より強力な予測を抑制できるが,より難しい。さらに,容易でハードな特徴を認識するために訓練されたモデルは,簡単な特徴のみを使用するモデルに最も類似した表現を学習する。さらに,容易な特徴は,ハードな特徴よりもモデル実行を通してより一貫した表現を導く。最後に,モデルは異なるタスクで訓練されたモデルよりも非訓練モデルに対してより大きな表現類似性を持つ。著者らの結果は,どの特徴が表現されるかを決定する複雑なプロセスを強調する。【JST・京大機械翻訳】
