کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
5773804 | 1631459 | 2017 | 31 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Multi-task learning via linear functional strategy
ترجمه فارسی عنوان
یادگیری چند کاره از طریق استراتژی عملکردی خطی
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
ترجمه چکیده
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.
موضوعات مرتبط
مهندسی و علوم پایه
ریاضیات
آنالیز ریاضی
چکیده انگلیسی
In machine learning, the multi-task learning is a natural approach that exploits the relations among different tasks to improve the performance. We develop a theoretical analysis of multi-penalty least-square regularization scheme on the reproducing kernel Hilbert space in vector-valued setting. The results hold for general framework of vector-valued functions; therefore they can be applied to multi-task learning problems. We study an approach for multi-penalty regularization scheme which is based on the idea of linear combination of different regularized solutions. We estimate the coefficients of the linear combination by means of the so-called linear functional strategy. We discuss a theoretical justification of the linear functional strategy which particularly provides the optimal convergence rates for multi-penalty regularization scheme. Finally, we provide an empirical analysis of the multi-view manifold regularization scheme based on the linear functional strategy for the challenging multi-class image classification and species recognition with attributes.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Complexity - Volume 43, December 2017, Pages 51-75
Journal: Journal of Complexity - Volume 43, December 2017, Pages 51-75
نویسندگان
Abhishake Rastogi, Sivananthan Sampath,