在大數(shù)據(jù)應(yīng)用環(huán)境下,信息產(chǎn)生的渠道不斷增多,信息表達的方式也越來越多,數(shù)據(jù)的分析和挖掘面臨很大的挑戰(zhàn)。在機器學習領(lǐng)域,處理數(shù)據(jù)分類問題時,需要對進行分類的不同數(shù)據(jù)集建立對應(yīng)的分類模型,即常規(guī)的單任務(wù)學習。但由于單任務(wù)學習存在信息利用不充分的局限性,導致分類正確率較低,因此挖掘多個訓練任務(wù)之間的關(guān)聯(lián),對這些任務(wù)進行聯(lián)合學習,從而提高模型泛化能力的多任務(wù)學習成為當前研究的熱點課題之一。然而,現(xiàn)有分類方法在提取多個任務(wù)相關(guān)性方面仍有很大不足,忽略了對于含孤立任務(wù)的多個任務(wù)之間的關(guān)聯(lián)性提取,以及與其他的分類技術(shù)進行有效結(jié)合,從而使分類正確率遇到瓶頸。本文通過利用機器學習領(lǐng)域的相關(guān)技術(shù)和方法,遵循提高數(shù)據(jù)分類正確率這一目標,針對目前基于多任務(wù)學習的數(shù)據(jù)分類技術(shù)存在的問題和不足展開研究,取得了一定的創(chuàng)新成果。論文主要研究工作有如下幾點:（1）針對現(xiàn)有多任務(wù)學習模型對任務(wù)間的關(guān)聯(lián)提取層次較為單一和提取不充分問題,提出了一種實現(xiàn)稀疏誘導的多任務(wù)學習模型。在傳統(tǒng)研究的基礎(chǔ)上,本文通過利用可以實現(xiàn)稀疏誘導的組稀疏范數(shù)來獲得針對特定任務(wù)的組稀疏,實現(xiàn)多個相關(guān)任務(wù)間的特征共享,并提取任務(wù)內(nèi)各個類別之間的關(guān)聯(lián),... 

【文章來源】：北京交通大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【部分圖文】：

圖２－２單任務(wù)學習模型??Ｆｉｇｕｒｅ?２－２?Ｓｉｎｇｌｅ－ｔａｓｋ?ｌｅａｒｎｉｎｇ?ｍｏｄｅｌ??

多任務(wù)模型架構(gòu)能夠可以明顯地提高分類器的分類正確率［１９］。多任務(wù)中的??共享表示一個強大的抽象，它可以容納多個相關(guān)的目標，這些目標通常會使一個??主任務(wù)得到更好的分類性能，所以分類正確率會大大地提高。圖２－２和２－３展示了??多任務(wù)學習與傳統(tǒng)的單任務(wù)學習的訓練模式不同之處。本文構(gòu)建了面向多任務(wù)的??分類預(yù)測模型，通過任務(wù)之間的信息共享，使多任務(wù)中的各個任務(wù)分類性能得到??了改善。??ｆ任務(wù)１?訓練數(shù)據(jù)１?丨．模型訓練Ｉ．．：．＇一泛化〉??：任務(wù)２?訓練數(shù)據(jù)２?模型訓ｇｓｒ＾＞?丨泛化、＞??、＇－?????＇?????????？?？??？?？??？?參??（任務(wù)ｔ?訓練數(shù)據(jù)ｔ?Ｉ模型訓練－＾＞?１泛化??圖２－２單任務(wù)學習模型??Ｆｉｇｕｒｅ?２－２?Ｓｉｎｇｌｅ－ｔａｓｋ?ｌｅａｒｎｉｎｇ?ｍｏｄｅｌ??８??

?丨?［?泛化??圖２－３多任務(wù)學習模型??Ｆｉｇｕｒｅ?２－３?Ｍｕｌｔｉ－ｔａｓｋ?ｌｅａｒｎｉｎｇ?ｍｏｄｅｌ??２．２．２任務(wù)間相關(guān)性??聯(lián)合學習的多個任務(wù)之間存在相關(guān)性，即任務(wù)間存在共享信息是多任務(wù)學習??的必要條件。此處的共享信息可以是任務(wù)間共享的一組特征，可以是低秩的子空??間，可以是分類權(quán)重向量，也可以是神經(jīng)網(wǎng)絡(luò)的隱藏層單元。接下來討論多任務(wù)??學習中任務(wù)間存在的幾種相關(guān)性。??根據(jù)任務(wù)間聯(lián)系不同，任務(wù)間相關(guān)性架構(gòu)［２（）］有如下幾種：??（１）

【參考文獻】：
期刊論文
[1]正則化多任務(wù)學習的快速算法[J]. 史熒中,汪菊琴,許敏,王士同.  計算機科學與探索. 2017(06)
[2]一種基于教學模型的協(xié)同訓練方法[J]. 胡菊花,姜遠,周志華.  計算機研究與發(fā)展. 2013(11)
[3]基于多任務(wù)學習的自然圖像分類研究[J]. 劉成,彭進業(yè).  計算機應(yīng)用研究. 2012(07)
[4]基于多任務(wù)學習的郵件過濾系統(tǒng)的研究[J]. 許棣華,王志堅.  計算機技術(shù)與發(fā)展. 2010(10)
[5]通過相似度支持度優(yōu)化基于K近鄰的協(xié)同過濾算法[J]. 羅辛,歐陽元新,熊璋,袁滿.  計算機學報. 2010(08)



本文編號：3229503