اکسپرس 24
ترجمه فارسی مقاله AdapMTL: چارچوب هرس تطبیقی ​​برای مدل یادگیری چندوظیفه‌ای

ترجمه فارسی مقاله AdapMTL: چارچوب هرس تطبیقی ​​برای مدل یادگیری چندوظیفه‌ای

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی AdapMTL: Adaptive Pruning Framework for Multitask Learning Model
عنوان مقاله به فارسی AdapMTL: چارچوب هرس تطبیقی ​​برای مدل یادگیری چندوظیفه‌ای
نویسندگان Mingcan Xiang, Steven Jiaxun Tang, Qizheng Yang, Hui Guan, Tongping Liu
فرمت مقاله انگلیسی PDF
تعداد صفحات 13
دسته بندی موضوعات Computer Vision and Pattern Recognition,Machine Learning,چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 7 August, 2024; originally announced August 2024. , Comments: 13 pages, 9 figures, Published at ACM Multimedia (ACM MM) 2024
توضیحات به فارسی ارسال شده در 7 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 13 صفحه ، 9 شکل ، منتشر شده در ACM Multimedia (ACM MM) 2024

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 520,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

In the domain of multimedia and multimodal processing, the efficient handling of diverse data streams such as images, video, and sensor data is paramount. Model compression and multitask learning (MTL) are crucial in this field, offering the potential to address the resource-intensive demands of processing and interpreting multiple forms of media simultaneously. However, effectively compressing a multitask model presents significant challenges due to the complexities of balancing sparsity allocation and accuracy performance across multiple tasks. To tackle these challenges, we propose AdapMTL, an adaptive pruning framework for MTL models. AdapMTL leverages multiple learnable soft thresholds independently assigned to the shared backbone and the task-specific heads to capture the nuances in different components' sensitivity to pruning. During training, it co-optimizes the soft thresholds and MTL model weights to automatically determine the suitable sparsity level at each component to achieve both high task accuracy and high overall sparsity. It further incorporates an adaptive weighting mechanism that dynamically adjusts the importance of task-specific losses based on each task's robustness to pruning. We demonstrate the effectiveness of AdapMTL through comprehensive experiments on popular multitask datasets, namely NYU-v2 and Tiny-Taskonomy, with different architectures, showcasing superior performance compared to state-of-the-art pruning methods.

چکیده به فارسی (ترجمه ماشینی)

در حوزه پردازش چندرسانه ای و چند مدلی ، کارآمد جریان داده های متنوع مانند تصاویر ، فیلم و داده های سنسور مهم است.فشرده سازی مدل و یادگیری چند وظیفه ای (MTL) در این زمینه بسیار مهم هستند و این پتانسیل را برای رفع مطالبات فشرده منابع برای پردازش و تفسیر اشکال مختلف رسانه به طور همزمان ارائه می دهند.با این حال ، فشرده سازی یک مدل چند وظیفه ای به دلیل پیچیدگی های متعادل کردن تخصیص پراکندگی و عملکرد دقت در چندین کار ، چالش های قابل توجهی را ارائه می دهد.برای مقابله با این چالش ها ، ما ADAPMTL را پیشنهاد می کنیم ، یک چارچوب هرس تطبیقی ​​برای مدل های MTL.ADAPMTL چندین آستانه نرم و قابل یادگیری را به طور مستقل به ستون فقرات مشترک و سرهای خاص وظیفه اختصاص می دهد تا تفاوت های ظریف را در حساسیت مؤلفه های مختلف به هرس ضبط کنند.در حین تمرین ، آستانه های نرم و وزن مدل MTL را بهینه می کند تا به طور خودکار سطح مناسب پراکندگی را در هر مؤلفه تعیین کند تا هم به دقت کار بالا و هم به صورت کامل کل داشته باشد.علاوه بر این ، یک مکانیسم وزن سازگار را شامل می شود که به طور پویا اهمیت خسارات خاص کار را بر اساس استحکام هر کار به هرس تنظیم می کند.ما اثربخشی ADAPMTL را از طریق آزمایش های جامع در مجموعه داده های چند وظیفه ای محبوب ، یعنی NYU-V2 و Tiny-Taskonomy ، با معماری های مختلف نشان می دهیم ، عملکرد برتر را در مقایسه با روشهای پیشرفته آفرینی نشان می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.