Feb, 2019

Task2Vec: 元学习任务嵌入

PDF
TL;DR本文介绍了一种提供视觉分类任务向量表示的方法，该表示可用于推断任务及其关系的性质，并提供了独立于细节（如类标签语义的理解等）的任务的固定维度嵌入。我们还展示了该框架的实用价值以及通过学习嵌入度量来选择预训练特征提取器的简单元学习框架。选择具有任务嵌入的特征提取器可获得接近最佳特征提取器的性能，而成本则显著低于对所有可用特征提取器进行详尽的训练和评估。
发现论文，激发创造
  • 文本分类的多任务标签嵌入

    本文提出了 Multi-Task Label Embedding 模型，将文本分类中的标签转换为语义向量，从而将原始任务转化为向量匹配任务，利用任务间的语义相关性进行多任务学习，有效提升相关任务的性能。

    Oct, 2017

  • Dataset2Vec：学习数据集元特征

    本文提出了一种基于深层神经网络的元特征提取器 Dataset2Vec 和基于 DeepSet 结构的元学习方法，在大规模数据集优化任务中将元学习应用于不同模式的数据集，实现了性能优于专家工程方法的元特征学习以及元学习辅助任务。

    May, 2019

  • Task2Box：用于建模非对称任务关系的盒子嵌入

    使用盒子嵌入方法（在低维空间中使用轴对齐的超矩形）可以准确地捕捉任务之间的不对称关系，并用于任务之间的预测和可视化。

    Mar, 2024

  • 利用智能体群体学习顺序任务嵌入

    本文提出了一个信息论框架，以学习固定维度的嵌入，用于强化学习任务。通过使用多样的智能体群集来衡量任务的相似性，本文描述了信息理论标准的直觉，该直觉是基于观察智能体在一个任务上的表现降低我们对其在另一项任务中表现的不确定性。在两个应用场景中，通过定量比较与强基线的效果，我们在预测智能体在测试任务上的表现以及从给定选项集中选择具有所需特性的任务方面展示了我们技术的有效性.

    Jun, 2023

  • 元嵌入作为辅助任务规则化

    通过构建一个辅助任务来重建词嵌入集成，从而规范主任务，从而在使用各种标记的词相似度数据集进行监督的基础上，显著改善了词相似度数据集的表现，并在序列标记和句子分类中进行了词元嵌入的重建。

    Sep, 2018

  • 针对任务的嵌入用于前处理可解释文本分类

    本文提出了一种基于 k 最近邻分类的替代方法，学习任务特定的文本嵌入表示方式，从而实现解释性和增量学习，而不影响分类准确性。

    Nov, 2022

  • TAFE-Net：面向任务的低样本学习特征嵌入

    本研究提出了 TAFE-Net，它是由元学习器和预测网络组成的任务感知特征嵌入网络，可在零样本和少样本学习方面达到与或超过现有技术。我们的方法在处理挑战性的视觉属性 - 对象组合任务时提高了未见过的属性 - 对象对的预测准确率 4 到 15 个百分点。

    Apr, 2019

  • 面向任务的词向量学习用于语义关系分类

    本文介绍了一种新颖的学习方法，用于关系分类的单词嵌入训练，并使用无标注语料库上的词汇关系特定特征预测名词对之间的单词，以将关系特定信息显式地纳入单词嵌入中。通过使用所学习的单词嵌入来构建特征向量，用于关系分类模型。在一个基于语义关系分类任务中，我们的方法表现显著优于基于之前介绍的单词嵌入方法的基准线，并与使用句法信息或手动构造的外部资源的先前最先进的模型相比，表现出了比较良好的结果。

    Feb, 2015

  • 探测是否足够？指示性任务作为探测嵌入空间的替代方法

    通过引入非可训练任务（指标任务），我们展示了利用适当的指标可以更准确地获取嵌入表示中的信息，并较之探测任务的结果更能反映嵌入空间中存在的属性。因此，我们认为在提取嵌入表示的信息时应考虑实施和考虑指标任务。

    Oct, 2023

  • MRNet-Product2Vec: 一种用于产品嵌入的多任务循环神经网络

    本文提出一种名为 MRNet-Product2Vec 的方法，使用区别化的多任务双向循环神经网络，创建商品的通用嵌入，以提高电子商务生态系统中的客户体验和增加收入。经定量和定性评估，表明该方法的性能几乎与稀疏和极高维 TF-IDF 表示相当，降低了将商品表示为特征时的计算复杂度。

    Sep, 2017