多任務(wù)學(xué)習(xí)作為機器學(xué)習(xí)的一個重要分支,在處理多個小樣本相關(guān)聯(lián)任務(wù)和挖掘相關(guān)任務(wù)之間的內(nèi)在聯(lián)系與共享信息等方面發(fā)揮了重大的作用。其中多任務(wù)支持向量機（Multi-task Support Vector Machine,MTSVM）是多任務(wù)學(xué)習(xí)中的一個重要的發(fā)展方向。然而現(xiàn)有的多任務(wù)支持向量機大多并不具備特征選擇的功能,在面對高維度任務(wù)或者高噪聲任務(wù)并不能達到很好的效果。此外,多任務(wù)支持向量機通常假設(shè)任務(wù)彼此相似且接近同一個均值超平面,但實際情況往往更加復(fù)雜。本文針對多任務(wù)支持向量機中的特征選擇和任務(wù)相關(guān)性兩個問題進行研究,主要工作包括:（1）從特征選擇的角度出發(fā),本文提出稀疏最小二乘多任務(wù)支持向量機-SMTLS-SVM和SMTLS-SVR,分別解決分類問題和回歸問題。算法引入一個0-1向量來控制特征稀疏性,通過交替最小化算法迭代地進行特征選擇和子問題求解。在算法的每次迭代中應(yīng)用了最優(yōu)特征排序方法來選擇所有任務(wù)之間的共享特征。在模擬和現(xiàn)實數(shù)據(jù)集的實驗中,SMTLS-SVM和SMTLS-SVR都表現(xiàn)出更好的性能,尤其是在含大量噪聲的情況下,本文提出的算法較其它算法的具有更強的魯棒性。（2）進... 

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【部分圖文】：

基于反向傳播網(wǎng)絡(luò)的單任務(wù)與多任務(wù)對比

多任務(wù)學(xué)習(xí)與單任務(wù)學(xué)習(xí)在車輛分類上的對比圖示

關(guān)于多任務(wù)學(xué)習(xí)的公共特征共享上述多任務(wù)學(xué)習(xí)算法是基于各個任務(wù)之間存在著公共特征共享的假設(shè)，即所有任務(wù)

【參考文獻】：
期刊論文
[1]An overview of multi-task learning[J]. Yu Zhang,Qiang Yang.  National Science Review. 2018(01)
[2]多因變量LS-SVM回歸算法及其在近紅外光譜定量分析中的應(yīng)用[J]. 安欣,徐碩,張錄達,蘇時光.  光譜學(xué)與光譜分析. 2009(01)

碩士論文
[1]組稀疏多任務(wù)學(xué)習(xí)方法及其應(yīng)用研究[D]. 孫怡.南京郵電大學(xué) 2019



本文編號：3654832