Association Graph Learning for Multi-Task Classification with Category Shifts

要約

この論文では、関連する分類タスクが同じラベル空間を共有し、同時に学習されるマルチタスク分類に焦点を当てます。
特に、カテゴリがトレーニング データからテスト データに移行するという、文献で現在扱われているよりも現実的な新しい設定に取り組みます。
したがって、個々のタスクには、テスト セットのカテゴリの完全なトレーニング データが含まれていません。
このようなテスト データを一般化するには、個々のタスクが関連するタスクからの知識を活用することが重要です。
この目的のために、関連グラフを学習して、欠落しているクラスのタスク間で知識を伝達することを提案します。
タスク、クラス、およびインスタンスを表すノードを使用して関連グラフを構築し、エッジ内のノード間の関係をエンコードして、相互の知識伝達をガイドします。
アソシエーション グラフでのメッセージ パッシングにより、モデルは各インスタンスのカテゴリ情報を強化し、より識別力を高めます。
グラフ内のタスク ノードとクラス ノードの間の誤った相関関係を回避するために、各クラス ノードがエッジの重みのバランスをとるように奨励する割り当てエントロピー最大化を導入します。
これにより、すべてのタスクが関連タスクからのカテゴリ情報を十分に活用できるようになります。
3 つの一般的なベンチマークと皮膚病変分類のための医療データセットに関する広範な評価により、私たちの方法が代表的なベースラインよりも一貫して優れていることが明らかになりました。

要約(オリジナル)

In this paper, we focus on multi-task classification, where related classification tasks share the same label space and are learned simultaneously. In particular, we tackle a new setting, which is more realistic than currently addressed in the literature, where categories shift from training to test data. Hence, individual tasks do not contain complete training data for the categories in the test set. To generalize to such test data, it is crucial for individual tasks to leverage knowledge from related tasks. To this end, we propose learning an association graph to transfer knowledge among tasks for missing classes. We construct the association graph with nodes representing tasks, classes and instances, and encode the relationships among the nodes in the edges to guide their mutual knowledge transfer. By message passing on the association graph, our model enhances the categorical information of each instance, making it more discriminative. To avoid spurious correlations between task and class nodes in the graph, we introduce an assignment entropy maximization that encourages each class node to balance its edge weights. This enables all tasks to fully utilize the categorical information from related tasks. An extensive evaluation on three general benchmarks and a medical dataset for skin lesion classification reveals that our method consistently performs better than representative baselines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google