Pareto Multi-Task Learning

: 10h00, ngày 23/06/2022 (Thứ Năm)

: D3-106

: Multi-objective Machine Learning and Applications

: Trần Anh Tuân

Tóm tắt báo cáo

Học đa nhiệm vụ là một phương pháp mạnh mẽ để giải quyết đồng thời nhiều nhiệm vụ tương quan. Tuy nhiên, thường không thể tìm thấy một giải pháp duy nhất để tối ưu hóa tất cả các tác vụ, vì các tác vụ khác nhau có thể xung đột với nhau. Gần đây, các phương pháp được đề xuất để tìm ra một giải pháp tối ưu Pareto duy nhất với sự cân bằng tốt giữa các nhiệm vụ khác nhau bằng cách đúc tính năng học đa tác vụ thành tối ưu hóa đa mục tiêu. Trong bài báo này, chúng tôi trình bày thuật toán học đa tác vụ Pareto (Pareto MTL) để tìm ra một tập hợp các giải pháp Pareto được phân phối tốt có thể đại diện cho sự đánh đổi khác nhau giữa các tác vụ khác nhau. Thuật toán được đề xuất trước tiên hình thành một vấn đề học tập đa tác vụ như một bài toán tối ưu hóa đa mục tiêu, và sau đó phân tách vấn đề tối ưu hóa đa mục tiêu thành một tập hợp các bài toán con bị ràng buộc với các tùy chọn đánh đổi khác nhau. Bằng cách giải quyết song song các bài toán con này, Pareto MTL có thể tìm ra một tập hợp các giải pháp tối ưu Pareto đại diện tốt với sự cân bằng khác nhau giữa tất cả các nhiệm vụ. Người ra có thể dễ dàng chọn giải pháp ưa thích của họ từ các giải pháp Pareto này hoặc sử dụng các giải pháp cân bằng khác nhau cho các tình huống khác nhau. Kết quả thử nghiệm xác nhận rằng thuật toán PMTL có thể tạo ra các giải pháp đại diện tốt và tốt hơn một số thuật toán hiện đại trên nhiều ứng dụng học tập đa tác vụ.


Đánh giá bài viết


Xem thêm