多任务及其关系的在线学习：在垃圾邮件数据和建筑工地脑电图信号上的测试
机器学习
2024-07-10 v2
摘要
本文研究了一种在线多任务学习（OMTL）方法，该方法顺序处理数据以预测相关任务的标签。该框架同时学习任务权重及其相关性。与先前假设任务相关性静态的模型不同，我们的方法将任务视为初始独立，并使用新计算的权重向量迭代更新其相关性。我们引入了三种更新任务相关性矩阵的规则：OMTLCOV、OMTLLOG 和 OMTLVON，并将它们与使用固定相关性值的传统方法（CMTL）进行了比较。在三个数据集（一个垃圾邮件数据集和两个来自不同条件下建筑工人的脑电图数据集）上的性能评估表明，我们的 OMTL 方法优于 CMTL，在脑电图数据上准确率提高了 1% 到 3%，并在垃圾邮件数据集上保持了约 12% 的低错误率。
引用
@article{arxiv.2406.18311,
title = {Online Learning of Multiple Tasks and Their Relationships : Testing on Spam Email Data and EEG Signals Recorded in Construction Fields},
author = {Yixin Jin and Wenjing Zhou and Meiqi Wang and Meng Li and Xintao Li and Tianyu Hu},
journal= {arXiv preprint arXiv:2406.18311},
year = {2024}
}