Conceptos Básicos
본 논문은 온라인 다중 과제 학습을 위한 두 가지 새로운 접근법을 제안한다. 그래프 기반 다중 과제 학습 공식화를 활용하여 가중치 재귀 최소 제곱법(MT-WRLS)과 온라인 희소 최소 제곱 서포트 벡터 회귀(MT-OSLSSVR) 방법을 개발하였다. 이를 통해 기존 문헌의 온라인 경사 하강법이나 큐빅 근사 접근법보다 정확하고 효율적인 재귀 해법을 제시한다.
Resumen
본 논문은 온라인 다중 과제 학습을 위한 두 가지 새로운 접근법을 제안한다.
- 가중치 재귀 최소 제곱법(MT-WRLS):
- 그래프 기반 다중 과제 학습 공식화를 활용하여 재귀적으로 해결한다.
- 입력 공간 차원에 대한 2차 비용으로 정확한 해를 제공한다.
- 온라인 희소 최소 제곱 서포트 벡터 회귀(MT-OSLSSVR):
- 다중 과제 커널 함수를 활용하여 재귀적으로 해결한다.
- 희소성 매개변수로 근사 해의 정확도를 조절할 수 있다.
- 입력 공간 크기와 사전 크기에 대한 2차 비용을 가진다.
두 방법 모두 기존 문헌의 온라인 경사 하강법이나 큐빅 근사 접근법보다 이론적 성능이 우수하다. 또한 실제 풍속 예측 벤치마크에서 우수한 성능을 보였다.
Estadísticas
풍속 예측 데이터셋에서 MT-WRLS와 MT-OSLSSVR 방법은 기존 단일 과제 학습 방법보다 최대 16%의 정확도 향상을 보였다.