深度非对称多任务特征学习
机器学习
2018-07-03 v3 机器学习
摘要
我们提出了深度非对称多任务特征学习，它能够学习跨多个任务共享的深度表示，同时有效防止在特征共享过程中可能发生的负迁移。具体而言，我们引入了一个非对称自编码器项，允许简单任务的可靠预测器对特征学习做出高贡献，同时抑制困难任务不可靠预测器的影响。这使得学习到的表示噪声更少，并使不可靠的预测器能够通过共享的潜在特征利用可靠预测器的知识。这种通过共享特征进行的非对称知识迁移也比任务间的非对称迁移更具可扩展性和效率。我们在多个用于多任务学习和图像分类的基准数据集上验证了我们的 Deep-AMTFL 模型，通过有效防止深度特征学习中的负迁移，它显著优于现有的对称和非对称多任务学习模型。
引用
@article{arxiv.1708.00260,
title = {Deep Asymmetric Multi-task Feature Learning},
author = {Hae Beom Lee and Eunho Yang and Sung Ju Hwang},
journal= {arXiv preprint arXiv:1708.00260},
year = {2018}
}