Core Concepts
FastCARは、物体分類と回帰タスクの異質性にもかかわらず、ラベル変換アプローチを用いて単一タスクのモデルで両方のタスクを効率的に学習することができる。
Abstract
FastCARは、物体分類と物体クラスの連続的な特性変数のモデリングという異質なタスクを統合するための新しいアプローチである。
物体分類タスクでは、物体クラスを識別する必要がある。
特性回帰タスクでは、物体クラスごとの連続的な特性変数をモデル化する必要がある。
FastCARは、ラベル変換アプローチを使うことで、単一タスクのモデルで両方のタスクを効率的に学習することができる。
ラベル変換では、クラス間の回帰ラベルの範囲が重ならないように変換し、ハイブリッドラベルを生成する。
ハイブリッドラベルには、クラスラベルと回帰ラベルの両方の情報が含まれている。
FastCARは、従来のマルチタスク学習モデルよりも高い分類精度(99.54%)と回帰精度(2.3% MAPE)を達成し、さらに高速な推論が可能である。
Stats
物体クラスごとの回帰ラベルの範囲は互いに重ならない。
FastCARの分類精度は99.54%である。
FastCARの回帰の平均絶対パーセント誤差は2.3%である。