资 源 简 介
在许多现实世界的应用中，我们处理与多个相关的分类/回归/聚类任务。对于例如，治疗结果的预测（Bickel et al.，2008），预测效果的任务几种药物的组合是相关的。在疾病进展预测中，预测在每个时间点的结果可以被视为一个任务，这些任务是时间相关的（周等。，2011B）。一个简单的方法是独立解决这些任务，忽略了任务关联。在多任务学习，这些相关的任务，同时了解到通过提取和利用适当的共享任务信息。同时学习多个相关任务，有效增加样本大小为每个任务，并提高了预测性能。因此多任务学习是特别有益的当训练样本的大小是小的每一个任务。图1说明了传统单任务学习（STL）和多任务学习（MTL）。在STL，每个任务都是独立的并学会独立。在MTL，多任务学习的同时，利用任务关联
文 件 列 表
data
Newsgroup
school.mat
examples
example_CMTL.m
example_Dirty.m
example_iMSF.m
example_L21.m
example_Lasso.m
example_LSSMTC.m
example_msmtfl.m
example_mtl_classify.m
example_rMTFL.m
example_Robust.m
example_SRMTL.m
example_SRMTL_spcov.m
example_Trace.m
LeastCMTLExp_1.pdf
LeastCMTLExp_2.pdf
LeastDirtyExp.pdf
LeastL21Exp.pdf
LeastLassoExp.pdf
LeastmsmtflExp.pdf
LeastrMTFLExp.pdf
LeastRMTLExp.pdf
LeastSRMTLExp.pdf
LeastSRMTLExp_1.pdf
LeastSRMTLExp_2.pdf
LeastSRMTLExp_spinv_1.pdf
LeastSRMTLExp_spinv_2.pdf
LeastTraceExp.pdf
LeastTraceExp_2.pdf
LSSMTC_acc.pdf
LSSMTC_nmi.pdf
RMTL.png
train_and_test
MALSAR
c_files
functions
utils
manual
Manual.pdf
COPYRIGHT
INSTALL.m
readme.txt
