具有先验信息的多任务学习
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
本文提出了一种多目标优化的多任务学习方法,通过迭代传递模型参数在优化过程中解决存在冲突的多个任务,并在图像分类、场景理解和多目标回归问题中进行了实验验证,结果显示该方法显著提升了发现满足 Pareto 优化的模型集合的状态,尤其在大规模图像数据集上的实验中,比现有技术取得了近两倍的超体积收敛速度。
Mar, 2024
本论文将多任务学习作为多目标优化来解决,并提出了一种基于梯度下降优化算法的上限边界,证明了在现实情况下优化这个上限边界将得到帕累托最优解,在多任务深度学习问题上应用我们的方法表现出比最近的多任务学习公式或每项任务训练的模型更高的性能。
Oct, 2018
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
本文研究如何在多任务学习中应对数据的确实特征,并通过插件协方差矩阵估计器结合稀疏和图正则化的多任务学习方法,提高数据的泛化性能,并以阿尔茨海默病的数据为例阐述其有效性。
Jul, 2018
本文提出了一种处理多个任务的顺序学习方法,通过仅在相关性较高的任务之间共享信息,其基于广义绑定准则的任务顺序决策能够优化任务分类绩效并自动发现任务最佳顺序。实验结果表明,顺序学习比同时学习更加有效,任务完成顺序重要并具有指引意义。
Dec, 2014
本文提出了一种基于新颖非凸正则化器的多任务稀疏特征学习的非凸公式,并提供了多阶段多任务特征学习算法的详细收敛和可重复性分析,理论分析指出该方法与现有凸公式相比较为优越,在合成和真实数据集上,实证研究表明 MSMTFL 比现有多任务稀疏特征学习算法更为有效。
Oct, 2012