다중 과제 학습

Войти

본 논문은 다중 과제 정렬을 위한 새로운 손실 기반 방법인 GO4Align을 제안한다. GO4Align은 동적 그룹 할당과 위험 기반 그룹 지표를 통해 관련 과제 간 상호작용을 활용하여 다중 과제 경험적 위험 최소화를 수행한다.

다중 과제 학습에서 과제 간 공통 구조를 공유하는 동시에 이상치 과제를 탐지하고 제거하는 강건한 정규화 클러스터링 방법을 제안한다.

다중 과제 학습에서 과제 간 출력 수준 연관성을 모델링하기 위해 피드백 메커니즘을 도입하였다. 이를 통해 정적인 다중 과제 학습 모델을 동적으로 변환하고, 수렴성 손실 함수와 Gumbel 게이팅 메커니즘을 제안하여 모델의 안정성과 성능을 향상시켰다.

다중 과제 학습 문제에서 상충되는 최적화 기준을 해결하기 위해 가중 체비셰프 스칼라화 기법과 증강 라그랑지 방법을 결합한 새로운 접근법을 제안한다. 이를 통해 모델 크기와 계산 복잡성을 줄이면서도 다중 과제에 대한 성능을 유지할 수 있다.

О нас

Продукты

Ресурсы