自导向任务识别

在本工作中，我们提出了一种新型机器学习框架，即自导向任务识别（Self-Directed Task Identification, SDTI），该框架使模型能够在无预训练的情况下自主识别每个数据集的正确目标变量。SDTI 是一个最小且具有可解释性的框架，证明了将基本机器学习概念用于新型任务结构的可行性。据我们所知，现有任何架构都没有展示过这种能力。传统方法缺乏这一能力，使得数据标注成为依赖人力力量耗时的过程。在仅使用标准神经网络组件的前提下，我们展示了 SDTI 能够通过恰当的任务表述和架构设计来实现。我们在广泛的基准任务上对提出的框架进行评估，证明其在可靠地从一组潜在目标变量中识别出真实答案方面有效。SDTI 在合成任务识别基准测试中相较于基线架构在 F1 分数上提升了 14%。这些概念证明实验凸显了 SDTI 未来减少对手动标注依赖、增强自主学习系统在现实应用中可扩展性的潜力。