文献

J-GLOBAL ID：202202241001704095   整理番号：22A1104834

特徴属性の解析による帰納的伝達のための適切なタスクの同定【JST・京大機械翻訳】

Identifying Suitable Tasks for Inductive Transfer Through the Analysis of Feature Attributions

著者 (2件)： Hepburn Alexander J. (University of Glasgow, Glasgow, Scotland) ,  McCreadie Richard (University of Glasgow, Glasgow, Scotland)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 13186  ページ： 137-143  発行年： 2022年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 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】

シソーラス用語： 性能 ,  学習 ,  ニューラルネットワーク ,  活性化 ,  モデル ,  *属性 ,  機械学習
準シソーラス用語： TREC ,  タスクモデル ,  ハイパーパラメータ ,  転移学習 , 【Automatic Indexing@JST】

著者キーワード (3件)： 説明可能性 ,  転移学習 ,  分類

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 属性 ,  解析 ,  タスク ,  同定