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
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
本文介绍了使用深度学习对缺失值进行插值的方法,以促进基因组数据的应用,混合使用 RNA、microRNA 和甲基化可以提高性能,但是多任务学习仅在生存预测中表现出优越性。
Apr, 2022
本文研究了多标签学习的不完整标签分配问题,提出了一种名为 MPU 的方法,该方法基于正数和未标记随机梯度下降和堆叠模型,可以同时有效且高效地考虑丢失的标签和标签之间的关联性,从而更好地解决了大规模多标签学习问题。
Jul, 2014
本研究关注分布式多任务学习问题,提出了一种基于 debaised lasso 的通信高效估计方法,能够在高维空间中学习线性预测器,并与最佳集中式方法相媲美。
Oct, 2015
本文探讨多任务学习中训练数据标注不完整的情况,并提出了基于实例的信息传递方法,针对固定标注任务和主动选择标注任务两种情况提出了算法,并通过合成数据和真实数据的实验证明了算法的有效性。
Feb, 2016
本篇研究了如何在少量标记数据的情况下进行监督学习,通过元学习来利用相似性,结合谱方法,提出了一种优雅的方法来充分利用小型数据集,只需适量的中型数据即可使大数量小标记数据的任务替代大数据任务。
Feb, 2020
文章提出了一种基于多任务弱监督的矩阵补全方法,通过建立弱监督任务之间的相关性解决弱监督准确性低的问题,从而提高模型训练的效果。实验结果表明,与传统的有监督方法相比,该方法能平均提高 20.2% 的准确率。
Oct, 2018
本文提出了一种通过任务插值来扩充任务集的元学习方法(MLTI),通过该方法可以实现更好的泛化性能,从而在多个数据集上显著优于当前最先进的策略。
Jun, 2021
提出一种基于稀疏系数和低维子空间的多任务学习框架,能够选择性地在相关任务间共享信息,实验结果显示该方法优于竞争方法。
Jun, 2012