一种基于权重矩阵分解的在线多任务学习算法

• 作者: 张文金
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 多任务学习 权重矩阵 相关性结构 个性化模式 次线性遗憾
• 年，卷（期）: 2019,（8）
• 所属期刊栏目: 人工智能及识别技术
• 页码范围: 190-197
• 页数: 8页
• 分类号: TP18
• 字数: 6119字
• 语种: 中文
• DOI: 10.19678/j.issn.1000-3428.0051610

摘要

在线多任务学习(MTL)算法大多利用单个权重矩阵约束任务相关性,且该约束较为严格,在实践中难以满足.为此,提出一种改进的在线MTL算法,通过将权重矩阵分解为2个子矩阵来克服上述约束.对第1个子矩阵进行迹-范数正规化,获得低秩相关结构.利用正规化项对第2个子矩阵进行个性化任务的群组式Lasso惩罚,确定个性化模式.采用投影梯度算法对子矩阵进行自适应学习并获得最优解.实验结果表明,该算法相对于最优线性后验模型可实现次线性遗憾,其预测精度、运行速度优于TRML、MTFL等算法,且在垃圾邮件数据集上的累计误差率可降至4.97％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张文金	广州铁路职业技术学院信息工程系	24	143	7.0	11.0