辅助多任务间构建块迁移的关联度度量
神经与进化计算
2020-09-14 v2 人工智能
摘要
多任务学习是一种并行处理多个不同任务并在它们之间迁移知识的学习范式。XOF 是一种使用基于树的程序对构建块（元特征）进行编码的学习分类器系统，它为观测列表中的分类任务构建并收集具有丰富判别信息的特征。本文旨在利用观测列表促进任务间特征迁移的自动化。我们假设分类任务的最佳判别特征携带了该任务的特征。因此，可以通过比较任意两个任务最合适的模式来估计它们之间的关联度。我们提出了一种称为 mXOF 的多 XOF 系统，该系统能够动态调整 XOF 之间的特征迁移。该系统利用观测列表来估计任务关联度。该方法实现了特征迁移的自动化。在知识发现方面，相似度估计提供了多个数据之间有洞察力的关系。我们在各种场景下对 mXOF 进行了实验，例如具有代表性的分层布尔问题、UCI Zoo 数据集中不同类别的分类以及不相关任务，以验证其自动知识迁移和估计任务关联度的能力。结果表明，mXOF 能够合理地估计多个任务之间的关联度，并通过动态特征迁移来辅助提升学习性能。
引用
@article{arxiv.2005.03947,
title = {Relatedness Measures to Aid the Transfer of Building Blocks among Multiple Tasks},
author = {Trung B. Nguyen and Will N. Browne and Mengjie Zhang},
journal= {arXiv preprint arXiv:2005.03947},
year = {2020}
}
备注
accepted by The Genetic and Evolutionary Computation Conference (GECCO 2020)