我们提出了一个新的理论框架，将随机矩阵理论应用于高维非高斯数据分布下，为多任务回归提供准确的性能估计；我们通过将多任务优化问题形式化为一种正则化技术来使单任务模型利用多任务学习信息，并在线性模型的背景下导出了多任务优化的闭式解；我们的分析通过将多任务学习性能与各种模型统计量（如原始数据协方差、信号生成超平面、噪声水平以及数据集的大小和数量）进行链接，提供了有价值的见解；最后，我们提出了对训练和测试误差的一致估计，从而为多任务回归场景中的超参数优化提供了稳健的基础；将我们的方法与训练损失相结合，从而利用多变量信息，实验证实了在回归和多变量时间序列预测的合成和真实世界数据集上对于单变量模型的改进。

Jun, 2024

本文提出了针对随机森林模型的多目标回归问题的一种技术，通过基于规则的解释提供了一种解释能力，并与最先进的技术相比具有竞争力的解释能力。

Mar, 2023

该论文介绍了一种解决分布回归问题的非线性方法，它考虑了再生核希尔伯特空间中的分布嵌入，并在其中执行标准的最小二乘回归。 该方法可用于不同维数和样本大小的多源数据，并通过随机傅里叶特征介绍了高效版本来处理数百万个数据点和组。

Dec, 2020

通过建立多目标多重性理论框架，研究预测模型中目标变量选择对不同个体的结果和不同群体之间选择率差异的影响，涉及研究多元目标选择、公平性和预测倍数等方面。

Jun, 2023

通过使用潜在变量模型，利用噪声信息来增强有用信号的建模，并通过引入超参数和有序无限维收缩先验来提高建模精度。

Oct, 2014

本研究提出了一种新的数据分析方法，使用一种名为多模型线性回归（MMLR）的新定义的回归模型，将输入数据集分成子集并构建局部线性回归模型。该方法比其他基于回归的方法更高效、更灵活。研究还提出了一种基于（ε，δ）- 估计器的近似算法来构建 MMLR 模型，并对 MMLR 算法的正确性和效率进行了数学证明，其时间复杂度与输入数据集的大小成线性关系。此外，研究还在合成数据集和真实世界数据集上进行了实证实验，结果显示算法在许多情况下具有与现有回归方法可比的性能，同时提供了很高的预测准确度而几乎不需要花费过多时间。

Aug, 2023

通过深度神经网络实现的多任务学习方法同时解决选取适当的预测模型和学习它们的凸组合权重两个问题，提出了一种基于特征的预测的多样性与模型组合以及模型选择之间相互作用的优化驱动方法，实验证明该方法在生成综合预测中比现有方法提高了点预测准确性。

Oct, 2023

本研究旨在解决多目标回归中的频率校准问题，通过对深度神经网络应用随机向量函数解决问题，结果表明该方法能有效保证各种数据集上的多目标回归问题的效率和准确性。

Jan, 2021

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

多任务学习是一种学习范式，可以同时训练多个相互通信的算法。本研究提出了一种可证明的损失加权方案，用于平衡回归和分类任务，并通过建立 MTLComb 算法和软件包来展示其有效性。

May, 2024