近年來,隨著信息技術(shù)的飛躍發(fā)展,人工智能迅速崛起,機器學(xué)習(xí)作為人工智能的核心技術(shù),吸引了來自計算機科學(xué)、物理學(xué)、神經(jīng)科學(xué)、認(rèn)知科學(xué)等不同領(lǐng)域的關(guān)注,并逐漸應(yīng)用于社會、經(jīng)濟等各個方面,影響到人們的日常生活之中。然而,傳統(tǒng)的機器學(xué)習(xí)算法在實際應(yīng)用中如果要取得良好的效果,需要大量的訓(xùn)練數(shù)據(jù)集,同時模型訓(xùn)練的時間代價也較大,以上因素導(dǎo)致機器學(xué)習(xí)的應(yīng)用領(lǐng)域受到限制。針對這一問題,機器學(xué)習(xí)領(lǐng)域中提出一種稱為多任務(wù)學(xué)習(xí)的方法。多任務(wù)學(xué)習(xí)可以通過同時學(xué)習(xí)多個任務(wù)之間的關(guān)聯(lián)性從而降低模型對數(shù)據(jù)量的要求,并且減少訓(xùn)練所需要的時間。隨著人們在多任務(wù)學(xué)習(xí)領(lǐng)域的不斷研究和探索,多任務(wù)學(xué)習(xí)相關(guān)的模型已經(jīng)在一些特定領(lǐng)域問題中起到?jīng)Q定性的作用,如計算機視覺、自然語言處理等。然而,現(xiàn)有的多任務(wù)模型面臨的一個挑戰(zhàn)是,如何平衡任務(wù)自身特性與其他任務(wù)之間共性的關(guān)系。基于以上考慮,本文提出了兩種基于隱變量的多任務(wù)模型:基于期望最大化的隱變量多任務(wù)模型和基于神經(jīng)網(wǎng)絡(luò)的隱變量的多任務(wù)模型。本文所提出的模型區(qū)別于基于正則化的多任務(wù)學(xué)習(xí)模型和基于深度學(xué)習(xí)的多任務(wù)學(xué)習(xí)模型,而是通過隱變量來表示任務(wù)與任務(wù)之間的關(guān)系。并在公開的數(shù)據(jù)集sch... 

【文章來源】：西南石油大學(xué)四川省

【文章頁數(shù)】：39 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－２階躍函數(shù)與Ｓｉｇｔｎｏｉｄ函數(shù)［４５］??

圖２－１?Ｍ－Ｐ神經(jīng)元模型［４５］??－

圖２－３?ｔａｎｈ函數(shù)與ＲｅＬｕ函數(shù)??

【參考文獻(xiàn)】：
期刊論文
[1]Lp范數(shù)約束下的最大化L1范數(shù)主成分分析[J]. 梁志貞,李勇,夏士雄,周勇.  模式識別與人工智能. 2013(02)
[2]轉(zhuǎn)錄因子結(jié)合位點生物信息學(xué)研究進(jìn)展[J]. 侯琳,錢敏平,朱云平,鄧明華.  遺傳. 2009(04)



本文編號：2955814