多任务多核学习框架及在基因组分析中的应用

Christian Widmer; Marius Kloft; Vipin T Sreedharan; Gunnar Rätsch

多任务多核学习框架及在基因组分析中的应用

机器学习 2015-07-01 v1 计算工程、金融与科学机器学习

作者: Christian Widmer , Marius Kloft , Vipin T Sreedharan , Gunnar Rätsch

摘要

我们提出了一种基于正则化的通用多任务学习(MTL)框架，其中任务间的相似性可利用 $\ell_p$ 范数多核学习(MKL)进行学习或精炼。基于这一非常通用的公式(包括通用损失函数)，我们借助应用于Hermitian矩阵的Fenchel对偶导出了相应的对偶形式。我们表明众多既有的MTL方法均可作为特例从我们公式的原问题和对偶中导出。此外，针对我们公式的hinge-loss变体，我们推导了一种现代的对偶坐标下降优化策略，并给出了算法的收敛界。作为一种特例，我们用C++实现了一种用于 $\ell_p$ 范数MKL的快速LibLinear风格求解器。在实验部分，我们在受生物学启发的合成数据上分析了我们算法的各个方面，如预测性能以及重建任务关系的能力，其中我们可以完全控制底层的真实情况。我们还在为本论文收集的计算生物学领域新数据集上进行了实验。该数据集涉及对九个生物体的转录起始位点(TSS)的预测，这是基因发现中的一项关键任务。我们所讨论的包含全部特例的求解器已作为开源软件在SHOGUN机器学习工具箱(可从\url{http://shogun.ml}获取)中提供。

关键词

多任务学习多核学习 ℓ_p范数正则化芬切尔对偶对偶坐标下降转录起始位点预测计算生物学

引用

@article{arxiv.1506.09153,
  title  = {Framework for Multi-task Multiple Kernel Learning and Applications in Genome Analysis},
  author = {Christian Widmer and Marius Kloft and Vipin T Sreedharan and Gunnar Rätsch},
  journal= {arXiv preprint arXiv:1506.09153},
  year   = {2015}
}

多任务多核学习框架及在基因组分析中的应用

摘要

关键词

引用

相关论文