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。
マルチタスク学習のための因果表現学習に対する簡単でスケーラブルなアプローチである生成マルチタスク学習(GMTL)を提案した。この手法は,従来のマルチタスク推論目的にわずかな変化を与え,ターゲットシフトに対するロバスト性を改善する。GMTLだけが推論目的を修正するので,追加訓練を必要とせずに既存のマルチタスク学習手法で使用できる。ロバスト性の向上は,ターゲットを引き起こすが,入力ではなく,観測されない交絡因子を緩和することに起因する。著者らは,それらを目標とする交絡因子として言及する。これらの交絡因子は,入力とターゲットの間の偽依存性を誘発する。これは,ターゲットが入力に条件的に独立であるという仮定により,従来のマルチタスク学習の問題を提起する。GMTLは,結合ターゲット分布の影響を除去し,すべてのターゲットを共同で予測することによって,推論時間でターゲット-原因交絡を緩和する。これは,入力とターゲットの間の偽依存性を除去し,そこでは,除去の程度が単一ハイパーパラメータによって調整可能である。この柔軟性は,分布内と分布間の一般化の間のトレードオフを管理するのに有用である。人々とタスクノミーデータセットの属性に関する我々の結果は,4つのマルチタスク学習法を通して目標シフトに対する改善されたロバスト性を反映する。【JST・京大機械翻訳】
