Multi-Task Learning for Heterogeneous Multi-Source Block-Wise Missing Data

Sui Yang

doi:10.1080/10618600.2025.2602522

Multi-Task Learning for Heterogeneous Multi-Source Block-Wise Missing Data

2026-01-01

0

PRE

AI

DOI：10.1080/10618600.2025.2602522

原文链接

摘要

En 中文

多任务学习（MTL）已作为一种重要的机器学习工具涌现，用于同时解决多个学习任务，并已成功应用于医疗保健、市场营销和生物医学领域。然而，为了在不同任务间有效借用信息，必须利用同质和异质信息。在广泛的MTL文献中，MTL问题中呈现出各种形式的异质性，如块状、分布和后验异质性。然而，现有方法难以在统一框架中同时处理这些异质性形式。本文提出了一种两步学习策略用于MTL，以解决上述异质性。首先，我们利用来自不同任务间同质源的共享表示来填补缺失块。其次，我们将输入特征与响应之间的映射解耦为共享组件和任务特定组件，从而通过共享组件实现信息借用。我们的数值实验和来自ADNI数据库的真实数据分析表明，所提出的方法相比其他竞争方法具有更优的MTL性能。

Keyword:

Data integration

Disentangled representations

Distribution shift

Posterior drift

Multi-Task Learning for Heterogeneous Multi-Source Block-Wise Missing Data

摘要

期刊

机构

引用论文