Robust Unsupervised Multi-Task and Transfer Learning on Gaussian Mixture Models

doi:10.1080/01621459.2026.2670031

Robust Unsupervised Multi-Task and Transfer Learning on Gaussian Mixture Models

2026-06-29

0

OA

AI

DOI：10.1080/01621459.2026.2670031

原文链接

原文求助

摘要

En 中文

无监督学习已被广泛应用于许多实际应用中。其中最简单且最重要的无监督学习模型之一是高斯混合模型（GMM）。本研究探讨了高斯混合模型上的多任务学习问题，旨在利用任务之间潜在相似的高斯混合模型参数结构，以获得比单任务学习更优的学习性能。我们提出了一种基于EM算法的多任务GMM学习流程，该流程能够有效利用相关任务之间的未知相似性，并且对来自任意分布的一小部分异常任务具有鲁棒性。所提出的流程在广泛的场景下被证明能够实现参数估计误差和超额误聚类误差的最小最大收敛率。此外，我们将该方法推广到解决高斯混合模型的迁移学习问题，并推导出相似的理论结果。此外，迭代的非监督多任务和迁移学习方法可能存在初始化对齐问题，为此提出了两种对齐算法以解决该问题。最后，我们通过模拟和真实数据示例展示了我们方法的有效性。据我们所知，这是第一项研究高斯混合模型上的多任务和迁移学习并具有理论保证的工作。本文的补充材料可在网上获得，包括可重现该工作的材料的标准化描述。

Keyword:

EM algorithm

Gaussian mixture models

Minimax rate

Multi-task learning

Robustness

Transfer learning

Unsupervised learning

Robust Unsupervised Multi-Task and Transfer Learning on Gaussian Mixture Models

摘要

期刊

机构

引用论文