基于支持向量机和双支撑向量机的多任务学习综述
计算机视觉与模式识别
2025-10-31 v1
摘要
多任务学习（multi-task learning, MTL）使能够同时跨相关任务进行训练，利用共享信息来提高泛化、效率和鲁棒性，尤其在数据稀缺或高维情景中效果显著。虽然深度学习主导了最近的 MTL 研究，但支持向量机（Support Vector Machines, SVMs）和双支撑向量机（Twin SVMs, TWSVMs）仍因其可解释性、理论严谨性和在小数据集上的有效性而保持相关性。本章节综述了基于 SVM 和 TWSVM 的 MTL 方法，强调共享表示、任务正则化和结构耦合策略。我们特别关注用于多任务设置的新兴 TWSVM 扩展，这些方法虽有前景但仍鲜有探索。我们就这些模型的理论属性、优化策略和实证性能进行比较，并讨论了计算机视觉、自然语言处理和生物信息学等领域的应用。最后，我们识别了研究空白，概述了未来方向，以构建可扩展的、可解释的和可靠的基于边际的 MTL 框架。这项工作为对 SVM 和 TWSVM 基于多任务学习感兴趣的研究者和实践者提供了全面的资源。
引用
@article{arxiv.2510.26391,
title = {EEG-Driven Image Reconstruction with Saliency-Guided Diffusion Models},
author = {Igor Abramov and Ilya Makarov},
journal= {arXiv preprint arXiv:2510.26391},
year = {2025}
}
备注
Demo paper