知识卡片
多目标MMOE专家门控
多目标模型旨在用一个模型服务多个任务(减少部署、促进任务间信息交融)。最朴素的 Shared-bottom 是单一共享底座接多个任务塔,属于硬参数共享(Hard Parameter Sharing),若任务相关性低则效果受损。
Google 提出的 MOE 用一组专家网络(Expert,DNN/MLP)替代共享底座做软参数共享(Soft Parameter Sharing),再用一个门控网络输出各专家权重。MMOE 进一步“为每个任务各配一个门控网络”:任务 k 的门控 g_k(x) 通过 Softmax(W_g x) 得到,只从该任务自己的门控去组合专家 f_i(x),再送入任务塔 h_k 得输出 y_k。不同任务的门控能学到不同的专家组合模式,从而既捕捉子任务相关性又保留差异性。MMOE 是多目标里程碑,建模简单、性价比高,很多大厂已上线。它是 [[PLE多层专家结构]]、[[CGC共享与专属专家]] 的源头。
结构图:
flowchart LR
A[输入特征 x] --> B[专家网络 E1..En]
A --> G1[门控网络1 g1]
A --> G2[门控网络2 g2]
B --> G1
B --> G2
G1 --> T1[任务塔1 → 输出1]
G2 --> T2[任务塔2 → 输出2]
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 精排层的样本选择和模型选择 8.7 多目标建模 · 查看原书依据
其主要的思路为:首先用一组专家网络(Soft Parameter Sharing,软参数共享)去替代共享底座,然后用一个门控网络进行输出
参考来源
- 位置:《推荐系统全链路设计:原理解读与业务实践》第8章《精排层的样本选择和模型选择》(来源项目book-sources;extracted/推荐系统全链路设计:原理解读与业务实践/_epub-src/converter-master/example/312287/114.html;src-054)
- 结论依据:原文说明 Shared-bottom 硬参数共享在任务不相关时受损,MOE 用专家+门控做软共享,MMOE 为每任务配门控以选择性利用专家、捕捉相关性与差异。
- 原始内容:其主要的思路为:首先用一组专家网络(Soft Parameter Sharing,软参数共享)去替代共享底座,然后用一个门控网络进行输出