


Assimilator: 分類および回帰タスクのためのニューラル ネットワーク アーキテクチャ
機械学習のコンテキストでは、同化器は、分類タスクと回帰タスクの両方を実行するように設計されたニューラル ネットワーク アーキテクチャの一種です。 「同化器」という用語は、従来の分類モデル (ロジスティック回帰など) の強みとディープ ニューラル ネットワークの機能を組み合わせる方法としてこのアーキテクチャを開発した Google の研究者によって造られました。同化器の背後にある重要なアイデアは、単一のニューラル ネットワークを使用して、タスクごとに個別のモデルを使用するのではなく、分類タスクと回帰タスクの両方を実行します。これにより、モデルは両方のタイプの予測に使用できるデータの共有表現を学習できるようになり、パフォーマンスの向上とより効率的なトレーニングにつながる可能性があります。同化器のアーキテクチャは、分類ブランチと回帰ブランチという 2 つの主要コンポーネントで構成されます。通常、分類ブランチは、考えられるクラスにわたる確率分布を生成するソフトマックス出力層を備えた完全に接続されたニューラル ネットワークです。回帰ブランチも完全に接続されたニューラル ネットワークですが、出力層がないため、製品の価格などの連続値を予測するために使用できます。訓練中、同化器はエンドツーエンドで訓練されます。分類損失関数と回帰損失関数を組み合わせて使用します。これにより、モデルは両方のタスクに役立つデータの共有表現を学習できると同時に、各タスクの特定の要件に特化することもできます。同化器の利点の 1 つは、複数のタスクに対して個別のモデルをトレーニングするよりも効率的であることです。学習するパラメータのセットが 1 つだけ必要なため、分類と回帰が可能になります。さらに、同化器によって学習された共有表現は、クラスタリングや異常検出などの他のタスクにも役立ちます。



