典型多任务多核学习问题的统一框架
机器学习
2014-01-22 v1
摘要
在过去几年中，多核学习(MKL)在基于核学习的背景下，作为数据驱动的特征选择技术受到了广泛关注。针对包括多任务学习(MTL)在内的广泛机器学习问题，人们设计并求解了各种 MKL 形式。求解不同的 MKL 形式通常需要针对手头问题量身定制算法，这通常是一项不易的成就。在本文中，我们提出了一个通用的多任务多核学习(Multi-Task MKL)框架，它涵盖了著名的 Multi-Task MKL 形式以及单任务问题中的几种重要 MKL 方法。然后，我们推导出一个简单的算法来求解该统一框架。为了展示所提框架的灵活性，我们提出了一个新的学习问题，即部分共享公共空间(PSCS) Multi-Task MKL，并通过实验展示了其优点。
引用
@article{arxiv.1401.5136,
title = {A Unifying Framework for Typical Multi-Task Multiple Kernel Learning Problems},
author = {Cong Li and Michael Georgiopoulos and Georgios C. Anagnostopoulos},
journal= {arXiv preprint arXiv:1401.5136},
year = {2014}
}
备注
17 pages, 1 figure. Accepted by IEEE Transactions on Neural Networks and Learning Systems; currently published as Early Access Article