tsta

Home / دومین کنفرانس ملی عصر انفجار تکنولوژی؛ هوش مصنوعی، تحولی در صنعت، تجارت و زنجیره تامین و دومین کنفرانس ملی علم داده در کاربردهای مهندسی

انتخاب و ترکیب خودکار وظیفه در یادگیری چند وظیفه‌ای

Authors :

امیر خاکپور¹

1- دانشگاه امیرکبیر

Keywords :

انتخاب خودکار وظیفه،بهینه سازی ترکیب وظایف،درک زبان طبیعی،یادگیری چند‌وظیفه‌ای،یادگیری ماشین بیزی

Abstract :

یادگیری چندوظیفه‌‌ای به عنوان یک پارادایم پیشرفته در یادگیری ماشین، توانسته است موفقیت‌های قابل توجهی در گستره وسیعی از مسائل پیچیده به دست آورد. هسته اصلی این رویکرد، بهبود عملکرد یک وظیفه محوری از طریق بهره‌گیری همزمان از دانش چندین وظیفه کمکی مرتبط است. با این وجود، کاربست مؤثر این پارادایم در موقعیت‌های واقعی با چالش‌های بنیادینی مواجه است که مهم‌ترین آن‌ها شامل انتخاب خودکار وظایف کمکی سودمند و تعیین نسبت بهینه ترکیب این وظایف در فرآیند آموزش است. رویکردهای متداول که متکی بر انتخاب دستی یا جستجوی فراگیر هایپرپارامترها در بین تمام ترکیب‌های ممکن هستند، نه تنها وابسته به سوگیری‌های انسانی بوده، بلکه در مواجهه با فضاهای بزرگ و ابعاد بالا فاقد کارایی و مقیاس‌پذیری لازم هستند. در پاسخ به این چالش‌ها، این مقاله چارچوب نوینی را معرفی می‌کند که یک ساختار دو مرحله‌ای کاملاً خودکار برای بهینه‌سازی فرآیند یادگیری چندوظیفه‌ای ارائه می‌دهد. در مرحله اول، این چارچوب با به کارگیری یک مدل پیشرفته مبتنی بر توزیع بتا-برنولی و با استفاده از راهبرد نمونه‌گیری تامپسون، به صورت پویا و مبتنی بر بازخوردهای دریافتی در حین آموزش، مجموعه بهینه‌ای از وظایف کمکی را انتخاب می‌نماید. در مرحله دوم، نسبت ترکیب آموزش برای وظایف انتخاب‌شده، در قالب یک مسئله بهینه‌سازی بیزی و با استفاده از یک فرآیند گاوسی برای جستجوی کارآمد در فضای پارامترها، یادگیری می‌شود. ارزیابی‌های تجربی جامع بر روی مجموعه داده‌های معیار در حوزه درک زبان طبیعی، کارایی برتر چارچوب پیشنهادی را به وضوح نشان می‌دهد. نتایج نشان می‌دهد که چارچوب پیشنهادی مقاله نه تنها به صورت مؤثر وظایف مرتبط را شناسایی می‌کند، بلکه با یادگیری نسبت ترکیب بهینه، منجر به بهبود عملکرد قابل توجهی در چندین وظیفه اصلی در مقایسه با روش‌های پایه می‌شود.