多タスク学習における分類タスクの分布マッチング：顔認識をはじめとする大規模研究

マルチタスク学習（MTL）は、複数の関連するタスクを共同で学習し、共有表現空間やパラメータ転送から利益を得るフレームワークである。十分な学習支援を提供するために、現代のMTLでは、各入力サンプルがすべてまたはほとんどのタスクに対してアノテーションされている完全なまたは十分に大きな重複を持つアノテーションデータを使用する。しかし、このようなアノテーションの収集は多くの実際のアプリケーションにおいて困難であり、個々のタスクのために利用可能なデータセットからの恩恵を受けられない。本研究では、この設定に挑戦し、アノテーションが少ないまたは非重複している分類タスクや、各タスクごとのラベル付きデータ量に大きな差がある場合でも、MTLが成功することを示す。私たちは共通アノテーションと共通トレーニングにおけるタスク関連性を探求し、分布マッチングを通じてタスク間での知識交換を可能にする新しい手法を提案する。当該手法の一般的な適用可能性を示すために、感情計算、顔認識、種別認識、およびショッピングアイテム分類の4つの領域で9つのデータセットを使用して多様なケーススタディを行った。基本的な表情認識と顔部アクション単位検出に関する大規模な感情タスク研究では、当該手法がネットワークに依存せず、両方のタスクにおいて既存の最先端技術よりも大幅な性能向上をもたらすことを示している。全てのケーススタディにおいて、私たちはタスク関連性を通じた共通トレーニングが有利であり、ネガティブトランスファー（つまり、MTモデルの性能が少なくとも1つの単一タスクモデルよりも劣る状況）を防ぐことができることを示した。