多任务分类假设空间与改进的泛化界
机器学习
2013-12-11 v1
摘要
本文提出了一种一般的向量值函数的再生核希尔伯特空间（RKHS），旨在用作多任务分类的假设空间。它扩展了文献中先前考虑的类似假设空间。基于该空间，推导了一个基于经验Rademacher复杂度的改进泛化界。该分析进一步扩展到多核学习（MKL）设置。讨论了所提出的假设空间与Group-Lasso型正则化器之间的联系。最后，在一些基于支持向量机（SVM）的多任务学习问题上的实验结果，突出了所推导界的质量，并验证了本文的分析。
引用
@article{arxiv.1312.2606,
title = {Multi-Task Classification Hypothesis Space with Improved Generalization Bounds},
author = {Cong Li and Michael Georgiopoulos and Georgios C. Anagnostopoulos},
journal= {arXiv preprint arXiv:1312.2606},
year = {2013}
}
备注
18 pages, 4 figures, submitted to IEEE Transactions on Neural Networks and Learning Systems