.png){kind=icon}
返回
Provable Active Multi-Task Representation Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TSP.2025.3623098.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多任务表示学习是一种新兴的机器学习范式，它整合来自多个来源的数据，利用任务相似性来提升整体模型性能。由于数据稀缺以及可扩展性和计算资源相关的挑战，多任务学习在现实场景中的应用受到阻碍。为解决这些挑战，我们提出了一种在源任务和目标任务数据量有限时，针对多任务主动学习的快速且样本高效的线性表示方法。通过借鉴主动学习技术，我们提出了一种基于自适应采样交替投影梯度下降（GD）和最小化算法，该算法迭代估计每个源任务对目标任务的关联性，并根据估计的关联性从每个源任务中进行采样。我们给出了算法的收敛性保证，以及样本和时间复杂度。我们通过实验评估了该算法的有效性，并将其与四种基准算法在合成数据集和真实的MNIST-C及MovieLens-100K数据集上进行比较。
Keyword:
Multi-task representation learning
transfer learning
alternating gradient descent and minimization algorithm
active learning
期刊
I
IF:
5.8
论文数:
318
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏
分享收藏
查看更多内容