基于多任務學習的行為識別研究.pdf

1、多任務學習是機器學習和數(shù)據(jù)挖掘研究領(lǐng)域的前沿課題。多任務學習的目標是通過利用多個相關(guān)任務之間的內(nèi)在相關(guān)性，來提高其泛化能力。在許多現(xiàn)實分類問題中，多任務學習已被證明相比于傳統(tǒng)單任務學習更有效。比如，在智能交通上，生物信息學，web搜索排名，疫苗設(shè)計等等。但在一些真實應用中，多任務中存在不相關(guān)（異常）任務。與此同時，對具有高維特征的訓練樣本進行多任務學習時，特征維度往往是遠大于訓練樣本的。為了同時解決多任務學習中的異常任務問題和特征選擇問

2、題，因此本文對多任務學習展開研究。本文的主要工作和貢獻有三個方面:
　　1)我們把多任務學習的思想和屬性學習的思想結(jié)合起來應用于人體行為識別問題。采用多任務學習方法來研究目標任務和屬性任務之間的聯(lián)系，并且充分利用其關(guān)系對行為識別問題進行建模，得到多任務行為識別模型。實驗結(jié)果表明，我們的方法表現(xiàn)出了很強的競爭力。
　　2)在實際的行為識別應用中，基于跡范數(shù)正規(guī)化的多任務學習能夠很好的學習任務之間的相關(guān)性，但訓練出來的模型參數(shù)是

3、稠密的，所以模型特征不具有較好的判別能力。為了解決這個問題，我們在模型參數(shù)訓練過程中引入稀疏項，選出原始特征空間中具有較好判別能力的特征。為了快速實現(xiàn)上述低秩非光滑凸優(yōu)化問題求解，我們引入自適應懲罰線性交替方向法，從而提高多任務行為識別的性能。
　　3)在絕大數(shù)的多任務行為識別方法中，它們假設(shè)所有的任務是相關(guān)的。但許多多任務行為識別方法存在異常任務。為了解決多任務學習問題中的異常任務問題，我們提出了基于任務相關(guān)結(jié)構(gòu)的多任務行為識別