Please use this identifier to cite or link to this item: http://repositorio.unicamp.br/jspui/handle/REPOSIP/305431
Type: TESE DIGITAL
Degree Level: Doutorado
Title: Sparse and structural multitask learning = Aprendizado multitarefa estrutural e esparso
Title Alternative: Aprendizado multitarefa estrutural e esparso
Author: Gonçalves, André Ricardo, 1986-
Advisor: Von Zuben, Fernando José, 1968-
Zuben, Fernando José Von, 1968-
Abstract: Resumo: Aprendizado multi-tarefa tem como objetivo melhorar a capacidade de generalização por meio do aprendizado simultâneo de múltiplas tarefas relacionadas. Este aprendizado conjunto é composto de uma representação compartilhada que permite explorar potenciais similaridades entre as tarefas. No entanto, o compartilhamento entre tarefas não relacionadas tem se mostrado prejudicial em diversos cenários. Sendo assim, é fundamental a identificação da estrutura de relacionamento entre as tarefas para que seja possível controlar de forma apropriada o compartilhamento entre tarefas relacionadas, evitando as tarefas não relacionadas. Nesta tese, é proposta uma familia de algoritmos de aprendizado multi-tarefa, aplicáveis a problemas de classificação e regressão, capazes de estimar, a partir dos dados, a estrutura de relacionamento entre as tarefas e incorporá-la no aprendizado dos parâmetros específicos de cada tarefa. O grafo representando o relacionamento entre as tarefas é fundamentado em avanços recentes em modelos gráficos gaussianos equipados com estimadores esparsos da matrix de precisão (inversa da matrix de covariância). Uma extensão que utiliza modelos baseados em cópulas gaussianas semiparamétricas também é proposto. Estes modelos relaxam as suposições de marginais gaussianas e correlação linear inerentes em modelos gráficos gaussianos multivariados. A eficiência dos métodos propostos é mostrada em uma variedade de problemas de classificação e regressão provenientes de diferentes domínios, incluindo problemas de classificação com múltiplos rótulos. Considera-se também o problema de combinação de modelos climáticos globais para projeção do comportamento futuro de certas variáveis climáticas, com foco em projeções de temperatura e precipitação para as regiões da América do Sul e do No

Abstract: Multitask learning aims to improve generalization performance by learning multiple related tasks simultaneously. The joint learning is endowed with a shared representation that encourages information sharing and allows exploiting potential commonalities among tasks. However, sharing information with unrelated tasks has shown to be detrimental to the performance. Therefore, a fundamental step is to identify the true task relationships to properly control the sharing among related tasks while avoiding using information from unrelated ones. In this thesis, we present a family of models for MTL, applicable to regression and classification problems, capable of learning the structure of task relationships from the data. In particular, we consider a joint estimation problem of the task relationships and the individual task parameters, which is solved using alternating minimization. The task relationship revealed by structure learning is founded on recent advances in Gaussian graphical models endowed with sparse estimators of the precision (inverse covariance) matrix. An extension to include flexible semi-parametric Gaussian copula models that relaxes both the Gaussian marginal assumption and its linear correlation is also developed. We illustrate the effectiveness of the proposed model on a variety of regression and classification problems, including multi-label classification. We also consider the problem of combining Earth System Model (ESM) outputs in South and North America for better projections of future climate, with focus on projections of temperature by combining ESMs, and show that the proposed ensemble model outperforms several existing methods for the problem
Subject: Aprendizado de máquina
Mudanças climáticas - Previsão
Language: Inglês
Editor: [s.n.]
Date Issue: 2016
Appears in Collections:FEEC - Tese e Dissertação

Files in This Item:
File SizeFormat 
Goncalves_AndreRicardo_D.pdf9.11 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.