文件名称：凸多任务特征学习-研究论文
文件大小：366KB
文件格式：PDF
更新时间：2024-06-29 22:26:26
Multi-Task Learning Kernels
我们提出了一种学习跨多个任务共享的稀疏表示的方法。 这种方法是众所周知的单任务 1-范数正则化的推广。 它基于一种新颖的非凸正则化器，可控制任务中常见的学习特征的数量。 我们证明该方法等效于解决一个凸优化问题，其中存在一个迭代算法，正如我们证明的那样，该算法收敛到一个最优解。 该算法有一个简单的解释：它交替执行有监督和无监督的步骤，在前一步学习任务函数，在后一步学习这些函数的通用任务稀疏表示。 我们还提供了使用内核学习稀疏非线性表示的算法的扩展。 我们报告了在模拟和真实数据集上的实验，这些实验表明，所提出的方法既可以提高相对于独立学习每个任务的性能，又可以产生一些相关任务中常见的学习特征。 作为一种特殊情况，我们的算法也可以用于简单地选择 - 而不是学习 - 任务中的一些常见变量。