任务学习中的目标权重平衡(3)

网友投稿 828 2022-05-30

本文介绍多任务学习中目标权重平衡方法。

传统多任务目标函数构造的问题:

多任务损失函数定义如下:

相应的,随机梯度下降的权重更新公式如下:

(注释:这里是共享层最后一层的权重,具体和多任务学习的网络构造有关,这里不做具体介绍。)

当某一个任务的梯度占据主导地位,或者任务梯度冲突时,权重更新可能并不是最优的。

Dynamic Task Prioritization - 动态任务优先

1. 本方法首先引入了Key Performance Indicators(KPI)参数,通常是准确率或者平准准确率,用于代表任务的难易程度。

KPI随着轮次的增加不断修正,

其中α代表discount factor,可以自定义,τ代表轮次。

2. 其次,基于KPI的定义,每个任务的权重可以表示为

对于KPI越高的任务,一般准确率较高,权重也会相应较小。

3. 最后,基于每个任务的权重,我们可以给出整个loss函数为:

其中FL函数,代表上面的。

参考文献:

【1】. Guo M, Haque A, Huang D A, et al. Dynamic task prioritization for multitask learning[C]//Proceedings of the European Conference on Computer Vision (ECCV). 2018: 270-287.

多任务学习中的目标权重平衡(3)

【2】.知乎专栏:https://zhuanlan.zhihu.com/p/269492239

机器学习

版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。

上一篇:JS中的prototype、__proto__与constructor
下一篇:Google可能不会显示挑逗性的网络故事
相关文章