Resumen

El estudio de los algoritmos de aprendizaje multitarea es uno de los temas muy importantes. Este artículo propone un algoritmo de regresión regularizada de mínimos cuadrados para el aprendizaje multitarea con un espacio de hipótesis que es la unión de una secuencia de espacios de Hilbert. El algoritmo consta de dos pasos para seleccionar el espacio de Hilbert óptimo y buscar la función óptima. Asumimos que las distribuciones de las diferentes tareas están relacionadas con un conjunto de transformaciones bajo las cuales cualquier espacio de Hilbert en el espacio de hipótesis es invariante a la norma. Demostramos que bajo la suposición anterior, la función de predicción óptima de cada tarea está en el mismo espacio de Hilbert. Basándonos en este resultado, se funda una descomposición de error clave, que puede utilizar muestras de tareas relacionadas para acotar el error excesivo de la tarea objetivo. Obtenemos una cota superior para el error de muestra de tareas relacionadas, y basándonos en esta cota, se obtienen posibles

• Materias:Ecuaciones diferenciales Dinámica de fragmentación Medios porosos Circuito abierto
• Subjects:Differential equations Fragmentation dynamics Porous media Open circuit
• Palabras claves:Estudio; Algoritmos de aprendizaje multitarea; Algoritmo de regresión regularizada de mínimos cuadrados; Aprendizaje multitarea; Espacios de Hilbert; Función de predicción óptima
• Keywords:Study; Multitask learning algorithms; Least-square regularized regression algorithm; Multi-task learning; Hilbert spaces; Optimal prediction function