一种基于权重矩阵分解的在线多任务学习算法
来源：计算机工程杂志2019年第8期北京时间：
作者：张文金
单位：广州铁路职业技术学院 信息工程系, 广州 510430
摘要：在线多任务学习（MTL）算法大多利用单个权重矩阵约束任务相关性，且该约束较为严格，在实践中难以满足。为此，提出一种改进的在线MTL算法，通过将权重矩阵分解为2个子矩阵来克服上述约束。对第1个子矩阵进行迹-范数正规化，获得低秩相关结构。利用正规化项对第2个子矩阵进行个性化任务的群组式Lasso惩罚，确定个性化模式。采用投影梯度算法对子矩阵进行自适应学习并获得最优解。实验结果表明，该算法相对于最优线性后验模型可实现次线性遗憾，其预测精度、运行速度优于TRML、MTFL等算法，且在垃圾邮件数据集上的累计误差率可降至4.97%。
关键词：多任务学习,权重矩阵,相关性结构,个性化模式,次线性遗憾
基金资助：广东省科技计划项目（2015A030401005）。
