超越而不遗忘：基于不相交数据集的分类多任务学习
计算机视觉与模式识别
2020-03-17 v1 机器学习
机器学习
摘要
用于不相交数据集分类的多任务学习（MTL）旨在探索当一个任务仅有一个带标签数据集时的 MTL。在现有方法中，对于每个任务，未标记数据集未被充分利用以促进该任务。受半监督学习启发，我们使用带有伪标签的未标记数据集来促进每个任务。然而，存在两个主要问题：1）伪标签非常嘈杂；2）每个任务的未标记数据集与带标签数据集存在相当大的数据分布失配。为解决这些问题，我们提出具有选择性增强的 MTL（MTL-SA）方法，以选择具有置信伪标签且与带标签数据集数据分布接近的未标记数据集中的训练样本。然后，我们使用所选训练样本添加信息，并使用剩余训练样本保留信息。在以人脸为中心和以人为中心的应用上的大量实验证明了我们的 MTL-SA 方法的有效性。
引用
@article{arxiv.2003.06746,
title = {Beyond without Forgetting: Multi-Task Learning for Classification with Disjoint Datasets},
author = {Yan Hong and Li Niu and Jianfu Zhang and Liqing Zhang},
journal= {arXiv preprint arXiv:2003.06746},
year = {2020}
}
备注
This paper is accepted by ICME 2020(http://www.2020.ieeeicme.org/)