基于任务路由的多任务学习
计算机视觉与模式识别
2019-03-29 v1
摘要
典型的多任务学习（MTL）方法依赖架构调整和大量可训练参数集来联合优化多个任务。然而，当任务数量增加时，架构调整的复杂度和资源需求也随之增加。在本文中，我们引入一种方法，对卷积激活值应用条件特征级变换，使模型能够成功执行大量任务。为区别于常规MTL，我们将多任务学习作为MTL的一种特殊情况引入，即单个模型执行超过20个任务。我们称为任务路由的方法封装在一个我们称之为任务路由层的层中，在多任务学习场景中应用该层，成功在一个模型中拟合了数百个分类任务。我们在5个数据集上评估了我们的方法，并与强基线和SOTA方法进行了对比。
引用
@article{arxiv.1903.12117,
title = {Many Task Learning with Task Routing},
author = {Gjorgji Strezoski and Nanne van Noord and Marcel Worring},
journal= {arXiv preprint arXiv:1903.12117},
year = {2019}
}
备注
8 Pages, 5 Figures, 2 Tables