计算机应用
計算機應用
계산궤응용
COMPUTER APPLICATION
2014年
7期
2061-2065
,共5页
多任务学习%极限学习机%自适应分组%混合0-1规划%多目标优化
多任務學習%極限學習機%自適應分組%混閤0-1規劃%多目標優化
다임무학습%겁한학습궤%자괄응분조%혼합0-1규화%다목표우화
multi-task learning%Extreme Learning Machine (ELM)%adaptive grouping%mixed 0-1 programming%multi-objective optimization
针对现有回归多任务学习中各任务独立评估风险、缺乏统一约束条件的缺点,提出了一种具有自适应分组能力的超球多任务学习算法.该算法以极限学习机(ELM)为基础形式,首先引入超球损失函数对所有任务的风险进行统一评估,并采用迭代再权最小二乘法求解;其次,考虑到任务之间关联度存在差异,基于相关性强的任务其权重向量也较相似的假设,构建带分组结构的正则项,使得同组内的任务独立进行训练,最终将优化目标转为混合0-1规划问题,并采用多目标优化方法自动确定模型参数和最优分组结构.基于仿真数据和圆柱壳振动信号数据的测试结果表明,该算法可有效识别出任务中的分组结构,同时与现有算法相比,可明显提高回归模型的泛化能力.
針對現有迴歸多任務學習中各任務獨立評估風險、缺乏統一約束條件的缺點,提齣瞭一種具有自適應分組能力的超毬多任務學習算法.該算法以極限學習機(ELM)為基礎形式,首先引入超毬損失函數對所有任務的風險進行統一評估,併採用迭代再權最小二乘法求解;其次,攷慮到任務之間關聯度存在差異,基于相關性彊的任務其權重嚮量也較相似的假設,構建帶分組結構的正則項,使得同組內的任務獨立進行訓練,最終將優化目標轉為混閤0-1規劃問題,併採用多目標優化方法自動確定模型參數和最優分組結構.基于倣真數據和圓柱殼振動信號數據的測試結果錶明,該算法可有效識彆齣任務中的分組結構,同時與現有算法相比,可明顯提高迴歸模型的汎化能力.
침대현유회귀다임무학습중각임무독립평고풍험、결핍통일약속조건적결점,제출료일충구유자괄응분조능력적초구다임무학습산법.해산법이겁한학습궤(ELM)위기출형식,수선인입초구손실함수대소유임무적풍험진행통일평고,병채용질대재권최소이승법구해;기차,고필도임무지간관련도존재차이,기우상관성강적임무기권중향량야교상사적가설,구건대분조결구적정칙항,사득동조내적임무독립진행훈련,최종장우화목표전위혼합0-1규화문제,병채용다목표우화방법자동학정모형삼수화최우분조결구.기우방진수거화원주각진동신호수거적측시결과표명,해산법가유효식별출임무중적분조결구,동시여현유산법상비,가명현제고회귀모형적범화능력.