一种面向非线性回归的迁移学习模型

迁移学习能够有效地在相似任务之间进行信息的共享和迁移。之前针对多任务回归的迁移学习研究大多集中在线性系统上。针对非线性回归问题，提出了一种新的多任务回归模型—hirbf。hirbf基于层次贝叶斯模型，采用rbf神经网络进行回归学习，假设各个任务的输出层参数服从某种共同的先验分布。根据各个任务是否共享隐藏层，在构造hirbf模型时有两种可选方案。在实验部分，将两种方案进行了对比，也将hirbf与两种非迁移学习算法进行了对比，实验结果表明，hiri3f的预测性能大大优于其它两个算法。