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。
転送学習手法は,下流タスクの性能を著しく改善することを示した。しかし,転送学習が有益で,移動のための効果的な設定を見つけるのに必要な重要な試行錯誤を無視して,従来の研究に対して一般的である。実際には,全てのタスク組合せが性能利点に導くことはなく,また,ブート力探索は計算不可能になる。したがって,この問題は,2つのタスク間の転送が実際に実験を実行することなく有益であるかどうかを予測することができる。本論文では,単一タスクモデル間のニューラルネットワーク活性化の比較を通して,タスク対が相補的であるかどうかを効果的に予測するための説明可能性技術を利用した。この方法で,全てのタスクとハイパーパラメータの組み合わせでグリッド探索を避けることができ,効果的なタスクペアを見つけるのに必要な時間を劇的に削減できる。その結果,この手法を通して,TREC-IS2020-Aデータセット上で,ポジティブクラスF1の0.034削減のみのコストで,訓練時間を83.5%まで低減できることを示した。Copyright The Author(s), under exclusive license to Springer Nature Switzerland AG 2022 Translated from English into Japanese by JST.【JST・京大機械翻訳】