【阿姆斯特丹博士论文】缓解多任务学习中的偏差

文章预览

在本论文中，我们专注于 计算机视觉中的多任务学习 。多任务学习的目标是同时训练多个相关但不同的任务，并在每个任务上取得良好表现，实现任务间的双向知识传递。我们旨在解决多任务学习中与 偏差 相关的现有挑战，例如数据不足、类别偏移和任务不平衡等问题。以往的多任务学习方法通常需要来自所有任务的广泛且完整的训练数据，容易导致 过拟合 和模型性能不佳等问题。论文围绕解决四个关键研究问题展开： 通过 变分贝叶斯框架 （Variational Bayesian Framework）VMTL，利用任务相关性以 缓解数据不足 。 通过在 情节训练设置 中开发 异质神经过程 （Heterogeneous Neural Processes, HNPs），利用历史信息来解决数据不足问题。 通过 关联图学习 （Association Graph Learning, AGL）应对 类别偏移 ，该方法促进不同任务和类别之间的知识传递，以维持模型的 ………………………………