تطابق التوزيع للتعلم متعدد المهام للمهام التصنيفية: دراسة واسعة النطاق على الوجوه وما بeyond ذلك

التعلم متعدد المهام (MTL) هو إطار عمل يتم فيه تعلم مهام متعددة ذات صلة بشكل مشترك والاستفادة من فضاء تمثيلي مشترك أو نقل المعلمات. لتقديم دعم كافٍ للتعلم، يستخدم MTL الحديث بيانات مصحوبة بالشروح مع تداخل كامل أو كبير بما يكفي بين المهام، أي أن كل عينة إدخال تكون مصحوبة بالشروح لكل المهام أو معظمها. ومع ذلك، فإن جمع مثل هذه الشروح يكون مستحيلاً في العديد من التطبيقات الحقيقية، ولا يمكن الاستفادة من قواعد البيانات المتاحة للمهام الفردية. في هذا العمل، نتحدى هذا الإعداد ونوضح أن MTL يمكن أن يكون ناجحًا مع مهام التصنيف التي تحتوي على شروح قليلة أو غير متطابقة، أو عندما يكون هناك اختلاف كبير في حجم البيانات المشروحة لكل مهمة. نستكشف العلاقة بين المهام للشروح المشتركة والتدريب المشترك، ونقترح نهجًا جديدًا حيث يتم تمكين تبادل المعرفة بين المهام عبر توافق التوزيع. لإظهار قابلية التطبيق العامة لمETHODنا، أجرينا دراسات حالة متنوعة في مجالات الحوسبة العاطفية وتعرف الوجه وتعرف الأنواع وتصنيف عناصر التسوق باستخدام تسعة قواعد بيانات. يوضح دراستنا الواسعة للمهام العاطفية للاعتراف بالتعبيرات الأساسية وكشف وحدات العمل الوجهي أن نهجنا لا يعتمد على الشبكة ويحقق تحسينات أداء كبيرة مقارنة بأحدث التقنيات في كلتا المهمتين وفي جميع قواعد البيانات التي تم دراستها. في جميع دراسات الحالة، نظهر أن التدريب المشترك عبر العلاقة بين المهام له فائدة ويمنع النقل السلبي (والذي يحدث عندما تكون أداء نموذج MTL أسوأ من أداء واحد على الأقل من نماذج المهمة الواحدة).