Core Concepts
本研究では、タスクをボックス埋め込みで表現することで、タスク間の非対称的な関係(階層関係や転移学習の可能性)を効果的にモデル化できることを示した。
Abstract
本研究では、タスクをボックス埋め込みで表現することで、タスク間の非対称的な関係を効果的にモデル化する手法「TASK2BOX」を提案した。
具体的には以下の通り:
既存のタスクデータセットに対して、CLIP、TASK2VEC、属性ベースの特徴量などを用いて基本的な表現を得る。
これらの表現をもとに、ボックス埋め込みを学習する。ボックスの体積の重複度合いを用いて、タスク間の階層関係や転移学習の可能性を表現する。
iNaturalist+CUBデータセットとImageNetデータセットを用いて、TASK2BOXの性能を評価した。既存のタスクに対する関係予測だけでなく、新規タスクとの関係予測でも高い精度を示した。
Taskonomy benchmarkを用いて、タスク間の転移学習の可能性を高精度に予測できることも示した。
学習したボックス埋め込みを用いて、Hugging Faceのパブリックデータセットの可視化を行った。データセット間の関係性を直感的に把握できる。
全体として、TASK2BOXは、タスク間の非対称的な関係を効果的にモデル化し、新規タスクとの関係性も高精度に予測できることが示された。また、ボックス埋め込みを用いることで、タスク間の関係性を直感的に可視化できるという利点もある。
Stats
既存のタスクデータセットに対する階層関係予測の平均F1スコアは、TASK2BOX(5D)で84.67%を達成した。
新規タスクデータセットに対する階層関係予測の平均F1スコアは、TASK2BOX(5D)で73.79%を達成した。
Taskonomy benchmarkにおける既存タスクの転移学習可能性予測のSpearman相関係数は、TASK2BOX(3D)で0.93を達成した。
Taskonomy benchmarkにおける新規タスクの転移学習可能性予測のSpearman相関係数は、TASK2BOX(3D)で0.48を達成した。