Apprentissage multitâche en grande dimension : classification basée sur les covariances
Résumé
This article studies the asymptotic behavior of Kernel Least Square Support Vector Machine in the context of Multi-Task Learning for Gaussian mixture models of high dimension with numerous samples. The asymptotic performance of the algorithm, validated on both synthetic and real data, sets forth the relationship between the statistics of the data, covariances in particular, in each task as well as the hyperparameters relating the tasks together. More importantly, the analysis allows for an improvement of the method by optimizing the labels.
Cet article étudie le comportement asymptotique du Kernel Least Square Support Vector Machine dans le contexte de l'apprentissage multi-tâches pour des modèles de mélange gaussien en grande dimension avec de nombreux échantillons. La performance asymptotique de l'algorithme, validée sur des données synthétiques et réelles, met en évidence la relation entre les statistiques des données, les covariances en particulier, dans chaque tâche ainsi que les hyperparamètres reliant les tâches entre elles. Plus important encore, l'analyse permet d'améliorer la méthode en optimisant les labels.
Domaines
Physique [physics]| Origine | Fichiers produits par l'(les) auteur(s) |
|---|