正则化多任务学习的快速算法

摘要：

正则化多任务学习(regularized multi-task learning,rMTL)方法及其扩展方法在理论研究及实际应用方面已经取得了较好的成果.然而以往方法仅关注于多个任务之间的关联,而未充分考虑算法的复杂度,较高的计算代价限制了其在大数据集上的实用性.针对此不足,结合核心向量机(core vector machine,CVM)理论,提出了适用于多任务大数据集的快速正则化多任务学习(fast regularized multi-task learning,FrMTL)方法.FrMTL方法有着与rMTL方法相当的分类性能,而基于CVM理论的FrMTL-CVM算法的渐近线性时间复杂度又能使其在面对大数据集时仍然能够获得较快的决策速度.该方法的有效性在实验中得到了验证.

关键词：多任务学习、大数据集、核心向量机、快速分类

所属期刊栏目：11

分类号：TP391(计算技术、计算机技术)

资助基金：The National Natural Science Foundation of China under Grant No. 61170122;the New Century Exce-llent Talents Foundation from Ministry of Education of China under Grant No. NCET-120882;the Top-Notch Academic Program of Jiangsu Higher Education Institutions under Grant No. PPZY2015C240

在线出版日期：2017-07-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：988-997