A new accelerated proximal gradient technique for regularized multitask learning framework

یادگیری چندتایی می تواند به عنوان یادگیری مشترک وظایف مرتبط با استفاده از نمایندگی های مشترک تعریف شود، به طوری که هر کار می تواند به انجام وظایف دیگر برای انجام بهتر کمک کند. یکی از چارچوب های مختلف یادگیری چند وظیفه، مشکل کمینه سازی محدب حلقوی است که برای بسیاری از تکنیک های بهینه سازی در ادبیات موجود است. در این مقاله، حل مشکل کمینه سازی محدب غیر صاف با تنظیم کننده های ایجاد کننده اسپارتی را برای چارچوب یادگیری چند کاره در نظر گرفته ایم که می تواند با استفاده از الگوریتم های پروگزیمال حل شود. با توجه به همگرایی آستانه روشهای سنتی پروسیماسی، روند اخیر این است که شتاب را برای این روش ها معرفی کنیم که سرعت همگرایی را افزایش می دهد. در این مقاله، یک روش شیب شتاب جدید برای چارچوب رگرسیون چند کاره ارائه شده است که نه تنها از همتای غیر شتابدهنده خود و شبیه سازی شبیه سازی شبیه سازی شبیه سازی شده استفاده می کند، بلکه دقت پیش بینی را بهبود می بخشد. ما همگام سازی و ثبات الگوریتم را تحت چند شرایط خاص ثابت می کنیم. برای نشان دادن کاربرد روش ما، ما با چند مجموعه داده های معیاری چند منظوره واقعی امتحان را انجام دادیم. نتایج تجربی نشان می دهد که روش ما از لحاظ همگرایی، دقت و زمان محاسبات از روش های پیشین بهتر است.