Task2Box：用于建模非对称任务关系的盒嵌入
计算机视觉与模式识别
2024-04-02 v2
摘要
建模并可视化任务或数据集之间的关系，是解决数据集发现、多任务学习与迁移学习等各类元任务的重要一步。然而，许多关系（如包含关系和可迁移性）本质上是非对称的，当前用于表示和可视化的方法（例如 t-SNE）难以直接支持这一点。我们提出 Task2Box，一种利用盒嵌入（低维空间中的轴对齐超矩形）来表示任务的方法，通过体积重叠捕捉任务间的非对称关系。我们证明，Task2Box 能准确预测 ImageNet 和 iNaturalist 数据集中节点间未知的层次关系，以及 Taskonomy 基准中各任务间的可迁移性。我们还表明，从任务表示（如 CLIP、Task2Vec 或基于属性的表示）估计出的盒嵌入，在预测未知任务间关系时，比基于相同表示训练的分类器以及手工设计的非对称距离（如 KL 散度）更准确。这表明低维盒嵌入能有效捕捉这些任务关系，并兼具可解释性的额外优势。我们利用该方法，在流行的数据集托管平台 Hugging Face 上可视化公开可用的图像分类数据集之间的关系。
引用
@article{arxiv.2403.17173,
title = {Task2Box: Box Embeddings for Modeling Asymmetric Task Relationships},
author = {Rangel Daroya and Aaron Sun and Subhransu Maji},
journal= {arXiv preprint arXiv:2403.17173},
year = {2024}
}