Aprendizaje Multi-Tarea Agrupado: Una Formulación Convexa

En el aprendizaje multi-tarea, se consideran simultáneamente varias tareas relacionadas, con la esperanza de que, mediante un intercambio apropiado de información entre tareas, cada tarea pueda beneficiarse de las demás. En el contexto del aprendizaje de funciones lineales para clasificación o regresión supervisada, esto se puede lograr al incluir información a priori sobre los vectores de peso asociados con las tareas y cómo se espera que estén relacionados entre sí. En este artículo, asumimos que las tareas están agrupadas en grupos, que son desconocidos de antemano, y que las tareas dentro de un grupo tienen vectores de peso similares. Diseñamos una nueva norma espectral que codifica esta suposición a priori, sin el conocimiento previo de la partición de tareas en grupos, lo que resulta en una nueva formulación de optimización convexa para el aprendizaje multi-tarea. Mostramos en simulaciones con ejemplos sintéticos y en el conjunto de datos de unión MHC-I de IEDB, que nuestro enfoque supera métodos convexos bien conocidos para el aprendizaje multi-tarea, así como métodos no convexos relacionados dedicados al mismo problema.