最優秀学生論文賞（Best Student Paper）

Task Programming: Learning Data Efficient Behavior Representations（タスクプログラミング：データ効率の良い行動表現の学習）

著者チームはカリフォルニア工科大学とノースウェスタン大学に所属しています —— Jennifer J. Sun, Ann Kennedy, Eric Zhan, David J. Anderson, Yisong Yue, Pietro Perona

https://openaccess.thecvf.com/content/CVPR2021/html/Sun_Task_Programming_Learning_Data_Efficient_Behavior_Representations_CVPR_2021_paper.html

論文の概要：

専門的な分野知識は、深度分析用の訓練データセットを正確にアノテーションするためにしばしば必要ですが、分野の専門家からこの知識を得ることは面倒で時間がかかる場合があります。この問題は自動行動分析（automated behavior analysis）において非常に顕著で、自動行動分析ではビデオ追跡データからエージェントの動きや注目すべき行動を検出します。アノテーション作業を減らすために、我々はTREBAを提案します：行動分析用の多タスク自己教師付き学習に基づくアノテーション - サンプル効率の良い軌道埋め込み（annotation - sample efficient trajectory embedding）の方法です。我々の方法のタスクは、分野の専門家が「タスクプログラミング」（task programming）と呼ばれるプロセスを通じて効果的に設計することができ、このプロセスでは分野の専門家の構造化された知識をプログラムを使って明示的にコード化します。データアノテーションの時間を少量のプログラミングタスクの構築に置き換えることで、分野の専門家の総作業量を減らすことができます。我々は行動神経科学のデータを使ってこのトレードオフを評価し、これらのデータでは専門的な分野知識が行動を識別するために使われます。我々は2つの分野の3つのデータセットで実験結果を示します：マウスとショウジョウバエ。最先端の特徴と比較して、TREBAの埋め込みを使うことで、我々はアノテーションの負担を「10倍」減らし、しかも精度に影響を与えません。したがって、我々の結果は、タスクプログラミングと自己教師付き学習が分野の専門家のアノテーション作業を減らす効果的な手段になり得ることを示しています。