Multi-task learning via linear functional strategy

در یادگیری ماشین، یادگیری چند کاره یک رویکرد طبیعی است که از روابط میان وظایف مختلف برای بهبود عملکرد استفاده می کند. ما یک تجزیه و تحلیل نظری از طرح تعدیل مجدد مربع کم مجاز در فضای هالیبرت هسته بازسازی در تنظیمات بردار ارزشمند را توسعه می دهیم. نتایج به دست آمده برای چارچوب کلی توابع بردار ارزشمند؛ بنابراین آنها می توانند به مشکلات یادگیری چند تابع اعمال شوند. ما یک رویکرد برای طرح تعدیل چندین پنالتی را که بر مبنای ایده ترکیب خطی راه حل های مختلف حل شده است، بررسی می کنیم. ضرایب ترکیب خطی را با استفاده از استراتژی عملکردی خطی به دست می آوریم. ما در مورد توجیه نظری استراتژی کارکرد خطی بحث می کنیم که به ویژه نرخ های همگرایی مطلوب برای طرح تعدیل چندین پنالتی را فراهم می کند. در نهایت، ما یک تحلیل تجربی از برنامه تنظیم مقیاس چندبعدی را بر اساس استراتژی کارکرد خطی برای طبقه بندی تصویر چند طبقه و به رسمیت شناختن گونه ها با ویژگی ها ارائه می دهیم.