多任务及其结构的凸学习

减少人类监督的量是机器学习中的关键问题，而利用不同任务间的关系（结构）是一种自然的方法。这是多任务学习核心的思想。在此背景下，一个基本问题是如何将任务结构纳入学习问题。我们通过研究一个通用计算框架来解决此问题，该框架允许以凸惩罚的形式编码任务结构的先验知识；在此设定下，各种先前提出的方法可作为特例被恢复，包括线性和非线性方法。在此框架内，我们表明任务和它们的结构可以通过考虑一个凸优化问题被高效学习，该问题可借助块坐标方法（如交替最小化）来处理，并且我们证明了其收敛到全局最小值。