.png){kind=icon}
返回
Towards evolution-based multi-level collaborative multi-task sparse learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.swevo.2026.102385.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
稀疏解在特定问题中通常与输入数据表现出强相关性，这突显了需要通用模型来促进有效学习。多任务学习通过引入辅助任务应对这一挑战，能够跨任务传递信息以增强模型学习和表示。然而，辅助任务对主任务的改进贡献并不总是均等。鉴于任务间的非线性关系，准确捕捉这些交互具有挑战性。此外，主任务变化时最优协作组合权重可能不同。为解决上述问题，本文提出了一种基于进化的多级协作多任务稀疏学习框架（EMCMSL），将进化优化融入稀疏学习过程，以实现模型内和模型间的任务协作。在模型内层面，通过共享网络参数引入辅助任务以联合增强特征表示；在模型间层面，采用定制化的进化多任务优化机制，以搜索多个稀疏问题中的最优协作权重配置。这种协作使EMCMSL能够自动发现对不同主任务有益的协同结构，同时缓解负迁移。所提框架在稀疏重建和去噪两个主任务上进行评估，实验结果验证了多级任务协作的有效性，并表明所提算法在不同数据上均能取得良好效果。
Keyword:
Multi-task learning
Sparse learning
Evolutionary optimization
Task collaboration
Feature representation
期刊
IF:
8.5
论文数:
2.2K
被引数:
1.0W
机构
引用论文
分享收藏Capillarity-constructed reversible hot spots for molecular trapping inside silver nanorod arrays light up ultrahigh SERS enhancement.png)
CHEMICAL SCIENCE
CHEMICAL SCIENCEIF7.4
PREAI
分享收藏
查看更多内容