多任务多核关系学习

Keerthiram Murugesan; Jaime Carbonell

多任务多核关系学习

机器学习 2017-03-06 v2 机器学习

作者: Keerthiram Murugesan , Jaime Carbonell

摘要

本文提出了一种新颖的多任务多核学习框架，该框架通过利用多任务间的关系高效地学习核权重。其核心思想是在给定基核对应的再生核希尔伯特空间（\textit{RKHS}）中自动推断这种任务关系。该问题被公式化为一种基于正则化的方法，称为\textit{多任务多核关系学习}（\textit{MK-MTRL}），该方法从特定任务的基核的潜在特征空间中学得的权重来建模任务关系矩阵。与以往工作不同，所提出的公式允许引入先验知识以同时学习多个相关任务。我们提出了一种交替最小化算法来学习模型参数、核权重和任务关系矩阵。为解决大规模问题，我们进一步提出了一种两阶段\textit{MK-MTRL}在线学习算法，结果表明该算法显著减少了计算时间，并取得了与联合学习框架相当的性能。在基准数据集上的实验结果表明，所提出的公式优于几种最先进的多任务学习方法。

关键词

多任务学习多核学习任务关系正则化交替最小化在线学习再生核希尔伯特空间

引用

@article{arxiv.1611.03427,
  title  = {Multi-Task Multiple Kernel Relationship Learning},
  author = {Keerthiram Murugesan and Jaime Carbonell},
  journal= {arXiv preprint arXiv:1611.03427},
  year   = {2017}
}

备注

17th SIAM International Conference on Data Mining (SDM 2017), Houston, Texas, USA, 2017

多任务多核关系学习

摘要

关键词

引用

备注

相关论文