Core Concepts
다중 과제 학습 모델의 효율성을 높이기 위해 경량 백본에서의 성능 평가, 특징 수준 그래디언트의 일반화 가능성 분석, 그리고 특징 분리 측정을 통한 다중 과제 학습의 과제 식별
Abstract
이 논문은 다중 과제 학습 모델의 효율성 향상을 위한 세 가지 주요 내용을 다룹니다.
경량 백본 (ResNet18)을 사용한 다중 과제 학습 최적화 알고리즘의 성능 평가:
MetaGraspNet, CityScapes, NYU-v2 데이터셋에서 15개의 다양한 최적화 알고리즘을 벤치마크
GradDrop, CosReg 등의 방법이 전반적으로 우수한 성능을 보였음
특징 수준 그래디언트의 일반화 가능성 분석:
MGDA, Aligned-MTL 등 일부 방법에서만 특징 수준 그래디언트 사용이 효과적이었고, 다른 방법에서는 성능 저하
특징 수준 그래디언트 사용의 일반화 가능성에 대한 추가 분석이 필요
특징 분리 측정을 통한 다중 과제 학습의 과제 식별:
특징 분리 측정은 기존의 과제 충돌, 과제 우세 측정보다 효율적이고 효과적으로 다중 과제 학습의 과제를 식별할 수 있음
MetaGraspNet, CityScapes, NYU-v2 데이터셋에서 특징 분리 측정의 유효성을 검증
Stats
다중 과제 학습 모델의 성능은 경량 백본에서도 향상될 수 있음
특징 수준 그래디언트 사용의 일반화 가능성은 알고리즘마다 다르므로 개별적인 분석이 필요
특징 분리 측정은 기존 방법보다 효율적이고 효과적으로 다중 과제 학습의 과제를 식별할 수 있음
Quotes
"다중 과제 학습은 단일 백본을 통해 여러 과제를 동시에 수행할 수 있는 시스템을 개발하는 것을 목표로 한다."
"다중 과제 모델은 대부분의 매개변수가 공유 매개변수인 특징 추출 백본에 있기 때문에 효율적이다."
"다중 과제 학습에서의 과제 충돌과 과제 우세는 널리 알려진 문제이며, 이를 해결하기 위한 다양한 연구가 진행되어 왔다."