摘要
我们研究的多任务学习问题旨在同时分析从不同来源收集的多个数据集，并为每个数据集学习一个模型。我们提出了一系列自适应方法，可以自动利用这些任务之间可能的相似性，同时仔细处理它们的差异。我们推导了这些方法的精确统计保证，并证明了它们对异常任务的鲁棒性。在合成数据集和实际数据集上的数值实验证明了我们的新方法的有效性。
资金筹措表
王开正的研究得到了国家科学基金会拨款DMS-220907和哥伦比亚大学创业资金的支持。我们感谢哥伦比亚大学共享研究计算设施项目的计算资源，该项目由美国国立卫生研究院研究设施改善拨款1G20RR030893-01支持，以及纽约州帝国州立发展科学技术与创新部（NYSTAR）合同C090171的相关资金支持，两者均于2010年4月15日颁发。部分研究是在段亚琪（Yaqi Duan）加入麻省理工学院信息与决策系统实验室（Laboratory for Information and Decision Systems）和普林斯顿大学运筹与金融工程系（Department of Operations research and Financial Engineering）时进行的。
确认
我们感谢两位匿名推荐人和副主编的宝贵意见。我们感谢陈丹、黄东明、吴余杭和张一晨的讨论。
引用
下载引文
段亚奇。
王开正。
“自适应且稳健的多任务学习。”
安。统计师。
51
(5)
2015 - 2039,
2023年10月。
https://doi.org/10.1214/23-AOS2319
信息
收到日期：2022年5月1日;修订日期：2023年5月1日;发布时间：2023年10月
欧几里德项目首次提供：2023年12月14日
数字对象标识符：10.1214/23-AOS2319
学科：
主要用户：62兰特
次要：10层62层
关键词：适应性，群集，低阶模型，型号规格错误，多任务学习，稳健性
版权所有©2023数学统计研究所
