通过稀疏分组多任务学习任务结构
机器学习
2017-09-18 v2
摘要
稀疏映射在许多高维科学问题中是一种关键方法。当多个任务共享相关特征集时，将它们按组联合学习可极大提升相关特征选择的质量。然而实践中该技术使用有限，因为此类分组信息通常隐藏。本文中，我们的目标是恢复稀疏模式上的组结构，并在稀疏学习中利用该信息。为此，我们通过构造适当的正则化项来鼓励稀疏学习以及任务组的正确恢复，从而在任务参数和组成员身份上表述一个联合优化问题。我们通过大量实验进一步证明，所提方法能准确恢复任务参数中的组和稀疏模式。
引用
@article{arxiv.1705.04886,
title = {Learning task structure via sparsity grouped multitask learning},
author = {Meghana Kshirsagar and Eunho Yang and Aurélie C. Lozano},
journal= {arXiv preprint arXiv:1705.04886},
year = {2017}
}
备注
ECML 2017