Core Concepts
本研究では、多タスク学習において、タスク間の共通構造を捉えつつ、外れ値タスクを検出・除外する新しい手法を提案する。提案手法は、ロバスト凸クラスタリングを拡張した正則化項を導入することで、同時にタスクのクラスタリングと外れ値タスクの検出を行う。
Abstract
本研究の提案手法は以下の特徴を持つ:
多タスク学習において、タスク間の共通構造を捉えつつ、外れ値タスクを検出・除外する新しい手法を提案している。
ロバスト凸クラスタリングを拡張した正則化項を導入することで、同時にタスクのクラスタリングと外れ値タスクの検出を行う。
提案手法と多変量M-推定量の関係を明らかにし、提案手法のロバスト性に対する解釈を与えている。
修正ADMMアルゴリズムを用いて、提案手法のパラメータを効率的に推定する手法を開発している。
シミュレーション研究と実データへの適用により、提案手法の有効性を示している。
Stats
外れ値タスクの割合が大きい場合、提案手法は外れ値タスクの検出精度が高く、予測精度も優れている。