• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of complexity >Multi-task Learning in vector-valued reproducing kernel Banach spaces with the l~1 norm
【24h】

Multi-task Learning in vector-valued reproducing kernel Banach spaces with the l~1 norm

机译：矢量值的多任务学习，再现核心Banach空间，L〜1规范

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相关主题

摘要

Targeting at sparse multi-task learning, we consider regularization models with an l(1) penalty on the coefficients of kernel functions. In order to provide a kernel method for this model, we construct a class of vector-valued reproducing kernel Banach spaces with the l(1) norm. The notion of multi-task admissible kernels is proposed so that the constructed spaces could have desirable properties including the crucial linear representer theorem. Such kernels are related to bounded Lebesgue constants of a kernel interpolation question. We study the Lebesgue constant of multi-task kernels and provide examples of admissible kernels. Furthermore, we present numerical experiments for both synthetic data and real-world benchmark data to demonstrate the advantages of the proposed construction and regularization models. (C) 2020 Elsevier Inc. All rights reserved.
机译：针对稀疏的多任务学习，我们考虑正则化模型在内核函数的系数上具有L（1）惩罚。为了提供该模型的内核方法，我们构建了一类用L（1）规范的矢量值再现核空间。提出了多任务可允许核的概念，使得构造的空间可以具有所需的性质，包括该关键线性代表定理。这种内核与内核插值问题的有界lebesgue常数有关。我们研究了多任务内核的Lebesgue常数，并提供可允许内核的例子。此外，我们为合成数据和现实世界的基准数据提供了数值实验，以展示所提出的建筑和正则化模型的优势。 （c）2020 Elsevier Inc.保留所有权利。

著录项

获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号