1.Обнаружение аномалий видео на основе многозадачного обучения с привлечением внимания(arXiv)
Автор:Мохаммад Барадаран, Роберт Бержевен
Аннотация:методы обнаружения видеоаномалий на основе многозадачного обучения объединяют несколько прокси-задач в разных ветвях для обнаружения видеоаномалий в разных ситуациях. Большинство существующих методов либо не объединяют дополнительные задачи для эффективного охвата всех паттернов движения, либо явно не учитываются классы объектов. Чтобы устранить вышеупомянутые недостатки, мы предлагаем новый многозадачный метод обучения, который сочетает в себе дополнительные прокси-задачи, чтобы лучше учитывать особенности движения и внешнего вида. Мы объединяем задачи семантической сегментации и прогнозирования будущего кадра в одной ветви, чтобы изучить класс объекта и согласованные шаблоны движения, а также одновременно обнаружить соответствующие аномалии. Во второй ветке мы добавили несколько механизмов внимания для обнаружения аномалий движения с вниманием к частям объекта, направлению движения и удалению объектов от камеры. Наши качественные результаты показывают, что предложенный метод эффективно рассматривает класс объектов и изучает движение с учетом вышеупомянутых важных факторов, что приводит к точному моделированию движения и лучшему обнаружению аномалий движения. Кроме того, количественные результаты показывают превосходство нашего метода по сравнению с современными методами.
2.Многозадачное обучение для совместной маркировки семантических ролей и прото-ролей(arXiv)
Автор: Аашиш Арора, Харшита Малиредди, Даниэль Бауэр, Асад Саид, Ювал Мартон.
Аннотация: мы предложили сквозную многоэтапную модель машинного обучения, которая объединяет семантические роли и протороли Доути (1991) с учетом предложения и предикатов в нем. Наша лучшая архитектура сначала изучает диапазоны аргументов, а затем изучает синтаксические заголовки аргументов. Эта информация используется совместно со следующими шагами для прогнозирования семантических ролей и проторолей. Мы также экспериментируем с переносом обучения от аргументов и прогнозирования головы к маркировке ролей и проторолей. Мы сравниваем использование статических и контекстных вложений для слов, аргументов и предложений. В отличие от предыдущей работы, наша модель не требует предварительного обучения или тонкой настройки дополнительных задач, помимо использования готовых (статических или контекстных) вложений и наблюдения. Он также не требует диапазонов аргументов, их семантических ролей и/или их золотых синтаксических заголовков в качестве дополнительных входных данных, потому что он учится предсказывать все это во время обучения. Наша модель многозадачного обучения повышает уровень современных прогнозов для большинства проторолей.
3. Оптимизация показателей оценки для многозадачного обучения с помощью метода переменного направления множителей(arXiv)
Автор:Гэ-Ян Кэ, Ян Пань, Цзянь Инь, Чан-Цин Хуан
Выдержка. Многозадачное обучение (MTL) направлено на повышение производительности обобщения нескольких задач за счет использования общих для них факторов. Различные показатели (например, F-оценка, площадь под кривой ROC) используются для оценки эффективности методов MTL. Большинство существующих методов MTL пытаются минимизировать либо неправильно классифицированные ошибки для классификации, либо среднеквадратические ошибки для регрессии. В этой статье мы предлагаем метод прямой оптимизации показателей оценки для большого семейства задач MTL. Формулировка MTL, которая напрямую оптимизирует показатели оценки, представляет собой комбинацию двух частей: (1) регуляризатор, определенный на матрице весов для всех задач, чтобы зафиксировать связанность этих задач; (2) сумма нескольких структурированных шарнирных потерь, каждая из которых соответствует суррогату некоторой оценочной метрики для одной задачи. Эта формулировка сложна для оптимизации, поскольку обе ее части негладкие. Чтобы решить эту проблему, мы предлагаем новую процедуру оптимизации, основанную на схеме переменного направления множителей, где мы разлагаем всю задачу оптимизации на подзадачу, соответствующую регуляризатору, и другую подзадачу, соответствующую структурированным потерям шарнира. Для большого семейства задач MTL первая подзадача имеет решения в закрытой форме. Для решения второй подзадачи мы предлагаем эффективный прямо-двойственный алгоритм с помощью восхождения по координатам. Обширные результаты оценки показывают, что в большом семействе проблем MTL предложенный метод MTL прямой оптимизации показателей оценки имеет превосходный прирост производительности по сравнению с соответствующими базовыми методами.
