Semi-supervised feature selection with exploiting shared information among multiple tasks

با توجه به چند وظیفه مرتبط، انتخاب ویژگی چند کاره، اهمیت ویژگی ها را با استخراج همبستگی بین آنها تعیین می کند. در حال حاضر تلاش زیادی در مورد انتخاب چند هدفه نظارت شده انجام شده است. با این حال، در برنامه های دنیای واقعی، برای جمع آوری اطلاعات کافی از برچسب آموزش کافی برای هر وظیفه، وقت گیر و عملی نیست. در این مقاله، الگوریتم انتخاب جدیدی را پیشنهاد می کنیم که آموزش یادگیری نیمه نظارتی و یادگیری چند کاره را به یک چارچوب مشترک متصل می کند. هر دو نمونه برچسب و بدون برچسب به اندازه کافی برای هر کار مورد استفاده قرار می گیرند و اطلاعات مشترک بین وظایف مختلف به طور همزمان برای تسهیل تصمیم گیری مورد بررسی قرار می گیرد. از آنجا که تابع هدف پیشنهادی غیر صاف و دشوار است که حل شود، ما همچنین یک الگوریتم تکراری کارآمد را برای بهینه سازی آن طراحی می کنیم. نتایج تجربی در برنامه های مختلف اثربخشی الگوریتم ما را نشان می دهد.