Sélection de variables pour l'apprentissage simultanée de tâches

Abstract : Recently, there has been a lot of interest around multi-task learning (MTL) problem with the constraints that tasks should share common features. Such a problem can be addressed through a regularization framework where the regularizer induces a joint-sparsity pattern between task decision functions. We follow this principled framework but instead we focus on lp − l2 (with p ≤ 1) mixed-norms as sparsity-inducing penalties. After having shown that the l1 − l2 MTL problem is a general case of Multiple Kernel Learning (MKL), we adapted the available efficient tools of solving MKL to the sparse MTL problem. Then, for the more general case when p < 1, the use of a DC program provides an iterative scheme solving at each iteration a weighted 1 − 2 sparse MTL problem.
Type de document :
Communication dans un congrès
Confrénce D'Apprentissage (CAp), May 2009, Hammamet, France. pp.109-120, 2009
Liste complète des métadonnées


https://hal.archives-ouvertes.fr/hal-00452332
Contributeur : Rémi Flamary <>
Soumis le : mardi 2 février 2010 - 11:03:54
Dernière modification le : mercredi 20 mai 2015 - 01:04:17
Document(s) archivé(s) le : jeudi 18 octobre 2012 - 14:06:25

Fichier

cap2009.pdf
Fichiers produits par l'(les) auteur(s)

Identifiants

  • HAL Id : hal-00452332, version 1

Collections

Citation

Rémi Flamary, Alain Rakotomamonjy, Gilles Gasso, Stephane Canu. Sélection de variables pour l'apprentissage simultanée de tâches. Confrénce D'Apprentissage (CAp), May 2009, Hammamet, France. pp.109-120, 2009. <hal-00452332>

Partager

Métriques

Consultations de
la notice

132

Téléchargements du document

77