多角度学习
本文提出了一种新的概率多视图学习算法,利用视图间的随机一致性作为正则化,该算法在结构化和非结构化问题上工作,并容易推广到部分一致情况,其中在完全一致情况下,我们的算法最小化每个视图模型之间的 Bhattacharyya 距离,并在几个平面和结构化分类问题上表现优越。
Jun, 2012
通过同一的信息理论方法,我们建立了学习问题、共训练、预测引导无需验证及与同行预测相关之间的自然联系。我们通过将问题转化为优化问题来展示如何将数据的两个视图进行最优组合,同时,我们从独立条件出发,提出了预测引导机制,使得真话坦白成为单任务和多任务设置均为严格均衡状态。
Feb, 2018
该文章研究了如何通过邻居的注释来提高判别模型的性能,并应用于图像和语言领域的多个问题中,通过实验结果显示了该方法可以提高输出多样性和模型准确性。
Jun, 2018
本研究探讨了一种在线多任务学习(OMTL)方法,该方法按顺序处理数据以预测相关任务的标签,并同时学习任务权重及其相互关系。通过引入三种规则来更新任务相互关系矩阵:OMTLCOV、OMTLLOG 和 OMTLVON,与使用固定相关性值的传统方法(CMTL)相比较,我们的方法在三个数据集上进行的性能评估表明,OMTL 方法在 EEG 数据上将准确率提高了 1%至 3%,并在垃圾邮件数据集上保持了大约 12%的低错误率。
Jun, 2024
本文提出了一种基于特征层次的多任务学习模型,实现了对任务关系的探索,并对合成数据和真实世界数据进行了实验验证,结果表明该模型的准确性在各种任务关系程度下表现最佳,具有较高的应用价值。
Jun, 2012
通过共享相关任务的特征和归纳迁移学习,我们试图增强多任务模型的特征映射,并学习各种任务之间的任务关系,以获取更好的多任务学习效益。本章旨在可视化现有的多任务模型,比较它们的性能、评估多任务模型性能的方法,并讨论在各个领域设计和实现这些模型时遇到的问题以及它们取得的优势和里程碑。
Sep, 2022
本文针对多任务学习问题,提出一种学习任务和输入特征之间关系的联合预测方法,通过优化任务协方差和特征协方差矩阵,提出了一种高效的坐标轮流最小化算法,实验结果表明该方法比同类方法快得多,同时提供了一种非线性扩展方法,其泛化能力比现有方法更好。
Feb, 2017