#今日论文推荐# 多路径多领域通吃,谷歌AI发布多领域学习通用模型MDL

#今日论文推荐# 多路径多领域通吃,谷歌AI发布多领域学习通用模型MDL

面向视觉任务（如图像分类）的深度学习模型，通常用来自单一视觉域（如自然图像或计算机生成的图像）的数据进行端到端的训练。
一般情况下，一个为多个领域完成视觉任务的应用程序需要为每个单独的领域建立多个模型，分别独立训练，不同领域之间不共享数据，在推理时，每个模型将处理特定领域的输入数据。 即使是面向不同领域，这些模型之间的早期层的有些特征都是相似的，所以，对这些模型进行联合训练的效率更高。这能减少延迟和功耗，降低存储每个模型参数的内存成本，这种方法被称为多领域学习（MDL）。 此外，MDL模型也可以优于单领域模型，在一个域上的额外训练，可以提高模型在另一个域上的性能，这称为「正向知识迁移」，但也可能产生负向知识转移，这取决于训练方法和具体的领域组合。 虽然以前关于MDL的工作已经证明了跨领域联合学习任务的有效性，但它涉及到一个手工制作的模型架构，应用于其他工作的效率很低。

为了解决这个问题，在「Multi-path Neural Networks for On-device Multi-domain Visual Classification」一文中，谷歌研究人员提出了一个通用MDL模型。 文章表示，该模型既可以有效地实现高精确度，减少负向知识迁移的同时，学习增强正向的知识迁移，在处理各种特定领域的困难时，可以有效地优化联合模型。

论文题目：Multi-path Neural Networks for On-device Multi-domain Visual Classification
详细解读：https://www.aminer.cn/research_report/62fa459a7cb68b460f03cd9chttps://www.aminer.cn/research_report/62fa459a7cb68b460f03cd9c
AMiner链接：https://www.aminer.cn/?f=cs