Multi-Task Learning
سال انتشار: 1401
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 367
فایل این مقاله در 29 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
MSCS01_056
تاریخ نمایه سازی: 6 شهریور 1401
چکیده مقاله:
یادگیری چند وظیفه ای یک پارادایم آموزشی در یادگیری ماشین است و هدف آن استفاده از اطلاعات مفید است که در چندین کار مرتبط گنجانده شده است تا به بهبود عملکرد تعمیم همه کارها کمک کند. در این مقاله، یک بررسی برای mtl از دیدگاه مدل سازی الگوریتمی، کاربردها و آنالیزهای تیوری ارایه میدهیم. برای مدلسازی الگوریتمی، ما تعریفی از mtl ارایه میدهیم و سپس الگوریتم های mtl مختلف را به پنج دسته طبقه بندی میکنیم، از جمله رویکرد یادگیری ویژگی، رویکرد طبقه بندی پایین، رویکرد خوشه بندی وظیفه، رویکرد یادگیری رابطه کاری و رویکرد تجزیه و همچنین بحث در مورد ویژگی های هر روش. به منظور بهبود عملکرد وظایف یادگیری، mtl را می توان با الگوهای آموزشی دیگر از جمله یادگیری نیمه نظارت، یادگیری تقویتی، یادگیری تقویتی، یادگیری تقویتی چند دید، و همچنین کاهش ابعاد و درهم سازی ویژگی برای نشان دادن مزایای محاسباتی و نگهداری آنها، ترکیب کرد. بسیاری از کاربردهای دنیای واقعی از mtl برای باال بردن عملکرد خود استفاده میکنند و ما در این مقاله به بررسی آثار نماینده میپردازیم. در نهایت، تحلیل های نظری را ارایه کرده و چندین جهت آینده را برای mtl مورد بحث قرار میدهیم
کلیدواژه ها:
نویسندگان
سمیه زارع
دانشجوی کارشناسی ارشد گروه مهندسی کامپیوتر، موسسه آموزش عالی آپادانا ، شیراز ، ایرا ن