文献类型：期刊文章

作　　者：顾鑫[1,2] 曹丹华[1] 吴裕斌[1] 栾永昕[2] 王伟成[3]

GU Xin;CAO Danhua;WU Yubin;LUAN Yongxin;WANG Weicheng(School of Optical and Electronic Information, Huazhong University of Science and Technology, Wuhan 430074, China;Jiangsu North Huguang Opto-Electronics Co. Ltd. , Wuxi, Jiangsu 214035, China;Software Institute, Nanjing University, Wuxi, Jiangsu 210000, China)

机构地区：[1]华中科技大学光学与电子信息学院,武汉430074 [2]江苏北方湖光光电有限公司,江苏无锡214035 [3]南京大学软件学院,江苏无锡210000

出　　处：《计算机工程与应用》

年　　份：2017

卷　　号：53

期　　号：15

起止页码：47-56

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CSCD、CSCD_E2017_2018、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：多任务学习通过寻找并共享不同任务域之间的共性特征来完成学习,利用知识迁移加速不同任务域的学习为每个任务域构建一个分类器。提出了一种基于罗杰斯特回归模型的多任务学习方法 MTC-LR(Multi-task Coupled Logistic Regression)。"罗杰斯特回归模型"已经被成功应用于单任务分类器上,该模型被众多实验证明是有效的,正是这种方法给人们带来了启示。从理论上证明了通过构造多任务分类器的"开销函数"和"差异性度量函数",MTC-LR算法可以提高多任务分类器的各自分类精度。相比传统的基于SVM的多任务学习方法,MTC-LR并不依赖于核方法而是通过共轭梯度下降法寻找各个分类器的最优参数。同时MTC-LR与采用"罗杰斯特回归模型"的快速算法CDdual更容易结合,可扩展至大样本的多任务分类学习。正是基于上述发现,为了充分高效利用大样本的多任务域数据,满足大样本的快速运算,在MTC-LR算法的基础上,结合最新的CDdual(The Dual Coordinate Descent Method)算法,提出了MTC-LR的快速算法MTC-LR-CDdual,并对该算法进行了相关的理论分析。将该算法在人工数据集和真实数据集上进行了验证,实验结果表明该算法有着较高的识别率、快速的识别速度和较好的鲁棒性。

关 键 词：多任务分类  罗杰斯特回归  后验概率 对偶坐标下降法  

分 类 号：TP391]