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(MTL)は,タスク間の知識を移すことによって一組の関連機械学習タスクの汎化性能を改善するための理にかなった方法を提供することを学習パラダイムである。過去10年間,異なるドメインの中央構造線の多くの成功した応用に直面している。MTLアルゴリズムの中心ではタスクの関連性は,知識移転を容易にするためにモデル化し,コードされる学習定式化した方法である。MTLアルゴリズムの中で,データからのタスク関係を学習する知識移転をガイドし,前タスク関連性仮説を賦課する代りにためにマルチタスク関係学習(MTRL)は,コミュニティにおいて多くの注目を集めている。しかし,この方法は,訓練データの品質に大きく依存している。は不十分な訓練データまたはデータが雑音の多い過ぎると,アルゴリズムは変化する局所最適モデルに対する学習を誤誘導することを不正確なタスク関係を学習できた。前述の課題を解決するために,本論文では,人間のエキスパートからのタスク関係の半順序知識をsolicits,提案した知識を意識したMTRL定式化における知識を効果的に効率的に新しい対話型マルチタスク関係学習(iMTRL)フレームワークを提案した。kMTRLのための効率的な最適化アルゴリズムを提案し,学習に最も影響する重要な対を同定する質問戦略を包括的に考察した。提案フレームワークの有効性を実証するために,人工的データおよび実データセットの両者の上で包括的な経験的研究を提示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】
