Die Kernaussage dieses Artikels ist, dass eine neue robuste Mehrtaskenlernmethode, genannt "Multi-Task Learning via Robust Regularized Clustering" (MTLRRC), entwickelt wurde. MTLRRC zielt darauf ab, Aufgabencluster und Ausreißeraufgaben gleichzeitig zu erkennen, indem robuste Regularisierungsterme in die Optimierung integriert werden.
Bestehende Mehrtaskenlernmethoden, die auf Clusterung basieren, berücksichtigen oft nicht die Existenz von Ausreißeraufgaben, die große aufgabenspezifische Komponenten haben oder keinen Bezug zu anderen Aufgaben aufweisen. Um dieses Problem anzugehen, erweitert MTLRRC den Ansatz der robusten konvexen Clusterung, um nicht-konvexe und gruppensparsame Strafen zu behandeln. Dies ermöglicht es MTLRRC, gleichzeitig eine robuste Aufgabenclusterung und Ausreißererkennung durchzuführen.
Darüber hinaus wird eine Verbindung zwischen dem erweiterten robusten Clustering und dem multivariaten M-Schätzer hergestellt. Dies liefert eine Interpretation der Robustheit von MTLRRC gegenüber Ausreißeraufgaben. Ein effizienter Schätzalgorithmus basierend auf einer modifizierten Version der Methode der abwechselnden Richtungen (ADMM) wird entwickelt.
Die Effektivität von MTLRRC wird durch Simulationsstudien und Anwendungen auf Realdaten demonstriert.
翻譯成其他語言
從原文內容
arxiv.org
深入探究