可自适应分组的超球多任务学习算法

？针对现有回归多任务学习中各任务独立评估风险、缺乏统一约束条件的缺点，提出了一种具有自适应分组能力的超球多任务学习算法。该算法以极限学习机(elm)为基础形式，首先引入超球损失函数对所有任务的风险进行统一评估，并采用迭代再权最小二乘法求解；其次，考虑到任务之间关联度存在差异，基于相关性强的任务其权重向量也较相似的假设，构建带分组结构的正则项，使得同组内的任务独立进行训练，最终将优化目标转为混合0-1规划问题，并采用多目标优化方法自动确定模型参数和最优分组结构。基于仿真数据和圆柱壳振动信号数据的测试结果表明，该算法可有效识别出任务中的分组结构，同时与现有算法相比，可明显提高回归模型的泛化能力。