클러스터링 다중 작업 학습: 볼록 형식화

다중 작업 학습에서는 여러 관련 작업을 동시에 고려하며, 각 작업이 다른 작업으로부터 이득을 볼 수 있도록 정보를 적절히 공유하는 것을 기대합니다. 감독되는 분류 또는 회귀를 위한 선형 함수를 학습하는 맥락에서, 이는 작업과 관련된 가중치 벡터에 대한 사전 정보와 이들 간의 관계를 어떻게 설정할 것인지 포함함으로써 달성될 수 있습니다. 본 논문에서는 작업들이 미리 알려지지 않은 그룹으로 클러스터링 되어 있으며, 그룹 내의 작업들이 유사한 가중치 벡터를 가지고 있다고 가정합니다. 우리는 작업들을 그룹으로 분할하는 사전 지식 없이 이러한 사전 가정을 인코딩하는 새로운 스펙트럴 노름을 설계하여, 다중 작업 학습을 위한 새로운 볼록 최적화 형식을 생성합니다. 우리는 합성 예제와 IEDB MHC-I 결합 데이터 세트에서의 시뮬레이션을 통해, 우리의 접근 방식이 다중 작업 학습을 위한 잘 알려진 볼록 방법과 같은 문제에 전념하는 관련 비볼록 방법들보다 성능이 우수함을 보여줍니다.