基于协方差字典的线性分类器多任务正则化
机器学习
2013-10-22 v1
摘要
在本文中，我们提出了一种称为 D-SVM（字典支持向量机）的多任务线性分类器学习问题。D-SVM 利用所有任务共享的参数协方差字典在不同任务间进行多任务知识迁移。我们正式定义了 D-SVM 的学习问题，并从概率和核两个视角展示了该问题的两种解释。从概率视角来看，我们表明我们的学习公式实际上是对所有优化变量的最大后验（MAP）估计。我们还证明了其等价于一个多核学习问题，即试图从基字典中寻找特征的重新加权核（尽管仅学习线性分类器）。最后，我们描述了一种用于最小化目标函数的交替优化方案，并提供了实证研究以验证我们的算法。
引用
@article{arxiv.1310.5393,
title = {Multi-Task Regularization with Covariance Dictionary for Linear Classifiers},
author = {Fanyi Xiao and Ruikun Luo and Zhiding Yu},
journal= {arXiv preprint arXiv:1310.5393},
year = {2013}
}