Feb, 2017

高效的多任务特征和关系学习

PDF
TL;DR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。
multitask learningpredictorsrelationshipsoptimizationgeneralization
发现论文，激发创造
  • 具有非线性输出关系的一致多任务学习

    本文提出一种基于结构预测的新算法，用于学习多个相关的任务，这些任务通过一系列非线性方程相互关联，并改善预测性能。实验结果表明该算法具有潜在的应用价值。

    May, 2017

  • 灵活任务聚类的凸多任务学习

    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

  • 多任务学习中学习任务关系的凸形式

    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

  • 分布式多任务关系学习

    本文提出了一种基于参数服务器的分布式多任务学习框架，通过提供正则化多任务关系学习方法的对偶形式和一个通信有效的原始对偶分布式优化算法来同时学习每个任务的预测模型和任务之间的关系，以及提供针对分布式多任务关系学习的理论收敛分析。

    Dec, 2016

  • 具有先验信息的多任务学习

    本文提出了一个利用任务间关系先验知识、通过对共享特征赋予类似系数惩罚、以及通过组稀疏方法捕获公共特征的多任务学习框架，将其定义为一个非光滑凸优化问题，在真实世界数据集的回归和分类任务上实验证明该算法可以提高多个相关任务的泛化性能。

    Jan, 2023

  • 多任务学习中图像任务相关性的学习

    本文介绍了一种名为 Selective Sharing 的方法，通过在模型训练过程中学习辅助潜在特征，从而自动将任务分组并允许它们相互共享知识，旨在解决多媒体应用常常需要同时处理多个任务，但这些任务关系复杂，领域专家知识不足的问题。在分类、回归和排名任务的 5 个数据集上进行实验，与强基线和最先进的方法进行比较表明，在准确性和参数计数方面始终有所改善。此外，作者还进行了激活区域分析，展示了 Selective Sharing 如何影响所学的表示。

    Apr, 2019

  • 聚类多任务学习：一个凸形式

    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

  • 通过挖掘多个任务之间的相关性进行半监督特征分析

    该论文提出了一种新颖的半监督特征选择框架，通过挖掘多个任务之间的相关性，并将其应用于不同的多媒体应用程序，从而提高特征选择的性能。

    Nov, 2014

  • 关系多任务学习：建模数据和任务之间的关系

    本文提出了一种创新的关系多任务学习框架 MetaLink，通过建立连接数据点和任务的知识图谱，利用来自辅助任务的数据点标签预测新任务中的结果，可以在不同领域的 6 个基准数据集上成功地利用不同任务之间的关系，在提出的关系多任务学习设置下，可以优于现有方法，ROC AUC 性能提高了高达 27%。

    Mar, 2023

  • 多任务稀疏结构学习

    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