面向部分标记多任务学习的联合任务正则化

多任务学习在机器学习领域越来越流行，但其实用性受到需要大量标记数据集的阻碍。大多数多任务学习方法依赖于完全标记的数据集，其中每个输入示例都附带所有目标任务的真实标签。不幸的是，整理这样的数据集可能成本高昂且不切实际，特别是对于需要每个图像逐像素标签的密集预测任务。考虑到这一点，我们提出了联合任务正则化（JTR），这是一种直观的技术，它利用跨任务关系在单个联合任务潜在空间中同时正则化所有任务，以改善当数据未完全标记所有任务时的学习。JTR与现有方法的不同之处在于，它联合正则化所有任务，而不是成对地分别正则化——因此，它实现了相对于任务数量的线性复杂度，而以前的方法呈二次方扩展。为了证明我们方法的有效性，我们在基于NYU-v2、Cityscapes和Taskonomy的各种部分标记场景中广泛基准测试了我们的方法。