交渉ゲームとしてのマルチタスク学習【JST・京大機械翻訳】

Navon Aviv; Shamsian Aviv; Achituve Idan; Maron Haggai; Kawaguchi Kenji; Chechik Gal; Fetaya Ethan

プレプリント

J-GLOBAL ID：202202220295141527 整理番号：22P0283629

交渉ゲームとしてのマルチタスク学習【JST・京大機械翻訳】

Multi-Task Learning as a Bargaining Game

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 (7件)： , , , , , ,
資料名：
発行年： 2022年02月02日プレプリントサーバーでの情報更新日： 2022年07月08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)

マルチタスク学習(MTL)において,いくつかのタスクに対する予測を同時に行うために,関節モデルを訓練した。共同訓練は計算コストを低減し,データ効率を改善する。しかし,これらの異なるタスクの勾配が矛盾するかもしれないので,MTLのための関節モデルの訓練は,しばしば対応する単一タスク対応物より低い性能をもたらす。この問題を緩和するための一般的な方法は,特定の発見的手法を用いて,タスク勾配を関節更新方向に結合することである。本論文では,タスク交渉がパラメータ更新の関節方向への一致に達するように,交渉ゲームとして勾配組合せステップを見ることを提案する。ある仮定の下で,交渉問題は,Nash Bargaining解として知られているユニークな解を持ち,マルチタスク学習に対する原理的アプローチとしての使用を提案した。新しいMTL最適化手順,Nash-MTLを記述し,その収束の理論的保証を導いた。経験的に,著者らはNash-MTLが様々なドメインにおける多重MTLベンチマークに関する最新の結果を達成することを示した。【JST・京大機械翻訳】

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

人工知能

, ,

前のページに戻る