Papers with Code · CC BY-SA 4.0

Multi-Task Learning

Transfer Learning › Multi-Task Learning 95 평가 기록 13 datasets

Multi-task learning aims to learn multiple different tasks simultaneously while maximizing performance on one or all of the tasks.

<span style="color:grey; opacity: 0.6">( Image credit: Cross-stitch Networks for Multi-task Learning )</span>

개요는 각 항목의 일부입니다. 위 탭에서 전체 기록을 페이지별로 탐색할 수 있습니다.

벤치마크

Papers with Code 아카이브의 데이터셋별 기록 예시입니다. 평가 조건과 지표 방향이 검증되지 않아 순위를 의미하지 않습니다.

Dataset기록된 모델 예시MetricPaperCode

MML

GPT-4 o1(300b)

Average (%): 87

논문 -

BBH-nlp

Qwen2.5-72B

Average (%): 86.3

- -

MGSM

PaLM 2 (few-shot, k=8, SC)

Average (%): 87.0

논문 코드

BBH-alg

code-davinci-002 175B (CoT)

Average (%): 73.9

논문 코드

QM9

BayesAgg-MTL

∆m%: 53.7

논문 코드

Cityscapes test

SwinMTL

mIoU: 76.41RMSE: 0.51

논문 코드

NYUv2

SwinMTL

Mean IoU: 58.14

논문 코드

OMNIGLOT

Gumbel-Matrix Routing

Average Accuracy: 93.52

논문 -

CelebA

MGDA-UB

Error: 8.25

논문 코드

ChestX-ray14

BayesAgg-MTL

delta_m: −14.96

논문 코드

MMLU (5-Shot)

Sakalti/ultiima-78B

MMLU (5-shot): 89.2

논문 코드

UTKFace

BayesAgg-MTL

delta_m: -2.23

논문 코드

데이터셋

13개

MML BBH-nlp MGSM BBH-alg QM9 Cityscapes test NYUv2 OMNIGLOT CelebA ChestX-ray14 MMLU (5-Shot)UTKFace

논문

Bayesian Uncertainty for Gradient Aggregation in Multi-Task Learning

2402.04005 2024-02-06 이 페이지의 평가 3건

delta_m: −14.96