多阶段多任务特征学习
机器学习
2012-10-23 v1
摘要
多任务稀疏特征学习旨在通过利用任务间的共享特征来提升泛化性能。该方法已成功应用于计算机视觉和生物医学信息学等多个领域。现有的多任务稀疏特征学习算法大多被表述为凸稀疏正则化问题，由于其对 型正则器的近似较为宽松，通常并非最优解。在本文中，我们基于一种新颖的非凸正则器，提出了多任务稀疏特征学习的非凸表述。为求解该非凸优化问题，我们提出了一种多阶段多任务特征学习（MSMTFL）算法；我们还为该算法提供了直观的解释、详细的收敛性及可复现性分析。此外，我们给出了详细的理论分析，表明 MSMTFL 相比凸表述能实现更优的参数估计误差界。在合成数据集和真实世界数据集上的实证研究证明了 MSMTFL 相较于最先进的多任务稀疏特征学习算法的有效性。
引用
@article{arxiv.1210.5806,
title = {Multi-Stage Multi-Task Feature Learning},
author = {Pinghua Gong and Jieping Ye and Changshui Zhang},
journal= {arXiv preprint arXiv:1210.5806},
year = {2012}
}
备注
The short version appears in NIPS 2012