多任务高自适应 Lasso
机器学习
2023-01-31 v1 机器学习
统计方法学
摘要
我们提出一种新颖的、完全非参数的多任务学习方法——多任务高自适应 Lasso（MT-HAL）。MT-HAL 在公共模型上同时学习任务间重要的特征、样本及任务关联，同时对相似任务施加共享稀疏结构。给定多个任务，我们的方法自动发现稀疏共享结构。所提出的 MTL 算法达到了 或更好的强大无维数收敛速率。我们表明，在广泛的模拟研究中，包括具有非线性和线性关系、不同稀疏度与任务相关性水平、以及不同协变量数与样本量的设定下，MT-HAL 优于基于稀疏性的 MTL 竞争方法。
引用
@article{arxiv.2301.12029,
title = {Multi-task Highly Adaptive Lasso},
author = {Ivana Malenica and Rachael V. Phillips and Daniel Lazzareschi and Jeremy R. Coyle and Romain Pirracchio and Mark J. van der Laan},
journal= {arXiv preprint arXiv:2301.12029},
year = {2023}
}