STG-MTL: تجميع المهام القابلة للتوسع لتعلم المهام المتعددة باستخدام خرائط البيانات

الملخص يعتبر التعلم المتعدد المهام (MTL) تقنية قوية اكتسبت شهرة بسبب تحسين أدائها مقارنةً بالتعلم الأحادي المهام التقليدي (STL). ومع ذلك، فإن MTL غالباً ما يمثل تحدياً بسبب العدد الأسّي من التجمّعات الممكنة للمهام، مما قد يجعل من الصعب اختيار الأفضل لأن بعض التجميعات قد تؤدي إلى تدهور الأداء نتيجة للتداخل السلبي بين المهام. لهذا السبب تعاني الحلول الحالية من مشكلات خطيرة في قابلية التوسع، مما يحد من أي تطبيق عملي. في بحثنا، نقترح طريقة جديدة تعتمد على البيانات تتناول هذه التحديات وتوفر حلاً قابلاً للتوسع وموحدًا لتجميع مهام التصنيف بناءً على ميزات تعتمد على البيانات تم إعادة اقتراحها، خرائط البيانات، والتي تلتقط ديناميكيات التدريب لكل مهمة تصنيف أثناء التدريب على MTL. من خلال مقارنة نظرية مع تقنيات أخرى، نتمكن من إظهار أن نهجنا يتمتع بقابلية توسع متفوقة. تظهر تجاربنا أداءً أفضل وتحقق فعالية الطريقة، حتى مع عدد غير مسبوق من المهام (حتى 100 مهمة على CIFAR100). كنا أول من يعمل على مثل هذا العدد من المهام، تظهر مقارناتنا حول التجميع الناتج تشابهاً مع ما تم ذكره في مجموعة البيانات، CIFAR100. أخيرًا، نقدم تنفيذًا موحدًا لتسهيل التكامل والاختبار، مع أمثلة من مجموعات بيانات متعددة ومهام.