Core Concepts
複数のノードラベル予測タスクに対して、高次タスクアフィニティを通じてグラフ上でのマルチタスク学習を向上させる手法が提案されている。
Abstract
著者は、グラフ上での複数のノードラベル予測タスクに焦点を当て、マルチタスク学習の視点からこの問題を再考している。
高次タスクアフィニティメジャーに基づいてタスクをグループ化し、基準モデルにブースティング手法を適用することで、性能向上が実証されている。
実験結果は、既存手法と比較して有利な結果を示しており、理論的分析も提供されている。
Sampling Task Subsets
マルチタスク学習パフォーマンスを評価するためにランダムサブセットからサンプリングされたデータセットでモデルがトレーニングされた。
Measuring Task Affinity Scores
一部のソースタスクから特定の目標タスクへの負の転送効果を予測するために高次タスクアフィニティスコアが使用された。
Finding task groups by spectral clustering
高次タスク関係性を反映した効率的なアルゴリズムが開発され、それに基づいてグラフ上でマルチタスクモデルパフォーマンスが最適化された。
Stats
一部のソースから特定の目標へ負の転送効果を予測するために高次タスクアフィニティが使用されました。