基于疊加模型的多任務學習及應用.pdf

1、多任務學習是機器學習、數(shù)據(jù)挖掘領(lǐng)域中一門非常重要的研究分支，旨在面對任務樣本來源于不同分布且樣本容量過低的情況下，促使多個任務同時學習以降低系統(tǒng)的泛化錯誤。而實際問題中面對的任務關(guān)系結(jié)構(gòu)的復雜性日益增加，基于疊加模型的正則化多任務學習成為重要工具。
　　本文以基于疊加模型的多任務學習為研究對象，開展了以下工作:
　　1.基礎(chǔ)模型上，首先討論了多任務學習中挖掘任務和特征關(guān)系的必要性，創(chuàng)新地設(shè)計一種利用任務和特征協(xié)同聚類的多任務

2、學習方法CoCTML，能夠有效在進行多任務學習的過程中挖掘任務和特征相關(guān)聯(lián)的簇結(jié)構(gòu)，在形態(tài)上表現(xiàn)為權(quán)值矩陣的塊狀結(jié)構(gòu)，同時利用PALM方法對該非凸問題進行優(yōu)化。
　　2.應用上，設(shè)計一種疊加的多任務學習模型對實際應用問題——軌跡回歸進行建模，在能夠處理路段代價動態(tài)變化的基礎(chǔ)上，利用時間和空間的平滑性建立用戶關(guān)系，并挖掘出高峰期的路段代價。設(shè)計的RDMTR方法是凸的，利用proximal方法給出優(yōu)化算法。
　　在模擬數(shù)據(jù)和真實