灵活任务聚类的凸多任务学习
本文提出了一种分布式和异步优化的多任务学习框架,该框架能够有效地解决数据存储在不同地点时的挑战,同时能够提高多任务学习模型的泛化性能。实证研究表明本文提出的方法在合成和实际数据集上均表现出高效和有效的性能。
Sep, 2016
提出一种名为 Convex Clustering Multi-Task regression Learning (CCMTL) 的算法,通过在预测模型的 k 近邻图上与凸聚类相结合,并使用新提出的优化方法有效地解决底层凸问题,使得其能够在包含大量任务的问题中实现准确性、高效性和线性可扩展性,并在真实世界和合成数据集上优于 7 种现有的 state-of-the-art 多任务学习方法。
Nov, 2018
本文提出了一种新型 MTL 模型,通过交替极小化算法解决任务关系结构和任务参数的联合估计问题,应用于回归和分类问题,结合灰色图模型结构学习得出任务关系结构。在温度预测等多个数据集中,该模型展现出了显著的表现优势。
Sep, 2014
提出了一种正则化公式,用于在多任务学习中学习任务之间的关系,可以对正相关、负相关和异常任务进行建模,在对称和非对称多任务学习设置下,使用交替优化算法, 对模型参数和任务之间的关系进行优化。实验结果表明这种方法的有效性。
Mar, 2012
本文提出了一种新的谱范数方法,用于多任务学习,假设任务被分成不同的群组,每个群组具有相似的权重向量,并演示其在合成数据及 IEDB MHC-I 结合数据集上的优秀表现。
Sep, 2008
本研究提出一种新方法来进行多任务学习中的任务分组,弥补了现有方法的关键理论和实践限制。与以前的研究不同,我们的方法提供了一个更具理论基础的方法,不依赖于构建转移增益的限制性假设。同时,我们还提出了一种灵活的数学规划方法,可以适应广泛的资源约束,从而增强了其多样性。在计算机视觉数据集、组合优化基准和时间序列任务等多个领域的实验结果表明,我们的方法优于广泛的基线方法,验证了其在多任务学习中的有效性和普适性。
Feb, 2024
提出了一种多任务学习方法,该方法基于任务聚类和特征变换,通过目标和特征的两阶段迭代聚合来提高回归模型的泛化能力,并在合成数据和真实世界的数据集上进行了验证。
Jun, 2024
挑战现有多任务学习 (MTL) 框架,提出新方法通过分布匹配实现任务间的知识交流,证明少量注释或非重叠注释情况下的 MTL 仍能成功,且在各个领域的案例研究中均带来了较大的性能提升。
Jan, 2024