GO-MTL:Learning and overlap in Multi-task Learning 论文随笔

相关名词:

trace—norm constraint:



sparse matrix:就是含零项的矩数越多，越稀疏阵，零的个数越多，越稀疏

mixed integer programming :混合整数规划

nonparametric Bayesian approach:???

task clusters:??

the difference between cluster and goup:??

Newton-Raphson:??

iterative reweighted least squares algorithm(IRLS):??



normal distribution:正太分布

l1 norm : trace-norm

root mean square error: RMSE(均方根误差)

前提假设分类：

所有tasks相关

组内相关，其他的任务与别的都不相关（outlier task）

tasks 参数在低维空间，特征只有两种情况：要么对所有的任务都活跃，要么对大部分的任务都不活跃

在子空间的分组结构基于正则化，每个组内的tasks对于特征提取都共享一个线性变换 （？？？）

指定任务的预测性结构有L矩阵决定，而分组结构取决于s矩阵

Kronecher product:



牛顿-拉夫森(Newton-Raphson)迭代法:



Amijo rule:



假设的特点:

假设每一个任务组的参数都在一个维度的子空间,即不假设不相交任务结构,过着任务属于不同的组其他组的任务相交,通过共享一个或者多个隐藏任务