다중 작업 학습의 분류 작업을 위한 분포 일치: 얼굴 및 그 이상에 대한 대규모 연구

다중 작업 학습(Multi-Task Learning, MTL)은 여러 관련 작업이 공동으로 학습되어 공유된 표현 공간 또는 매개변수 전송을 통해 서로 이점을 얻는 프레임워크입니다. 충분한 학습 지원을 제공하기 위해 현대의 MTL은 각 입력 샘플이 모든 작업 또는 대부분의 작업에 대해 주석이 달린 전체 또는 충분히 큰 중복 데이터를 사용합니다. 그러나 이러한 주석을 수집하는 것은 많은 실제 응용 분야에서 비현실적이며, 개별 작업에 대한 데이터셋으로부터 혜택을 받을 수 없습니다. 본 연구에서는 이러한 설정에 도전하여 주석이 거의 없거나 중복되지 않는 분류 작업, 또는 작업당 라벨링된 데이터의 크기에 큰 차이가 있는 경우에도 MTL이 성공할 수 있음을 보여줍니다. 우리는 공동 주석과 공동 학습을 위한 작업 간 연관성을 탐색하고, 분포 일치를 통해 작업 간 지식 교환이 가능하도록 하는 새로운 접근 방식을 제안합니다. 우리의 방법론의 일반적인 적용 가능성을 입증하기 위해, 감성 컴퓨팅, 얼굴 인식, 종 인식 및 쇼핑 아이템 분류 등 9개의 데이터셋을 사용하여 다양한 사례 연구를 수행했습니다. 기본 표정 인식 및 얼굴 행동 단위 검출에 대한 감성 작업의 대규모 연구는 우리의 접근 방식이 네트워크와 무관하며 두 작업 모두에서 그리고 모든 연구된 데이터베이스에서 기존 최고 수준의 성능보다 크게 향상됨을 보여줍니다. 모든 사례 연구에서 우리는 작업 간 연관성을 통한 공동 학습이 유리하며 부정적 전송(즉, 다중 작업 모델의 성능이 적어도 하나의 단일 작업 모델보다 나쁜 경우)을 방지함을 증명하였습니다.