面向大数据流的多任务加速在线学习算法

作者：李志杰; 李元香; 王峰; 匡立

来源：计算机研究与发展, 2015, 52(11): 2545-2554.

• 大数据流
• 多任务
• 加速
• 在线学习
• 收敛分析

多任务在线学习框架采用直接数据处理的流式计算模式,是大数据流分析很有前途的一种工具.然而目前的多任务在线学习算法收敛率低,仅为O(1/T1/2),T为算法迭代次数.提出一种新颖的多任务加速在线学习算法ADA-MTL(accelerated dual averaging method for multi-task learning),在保持多任务在线学习快捷计算优势的基础上,达到最优收敛率O(1/T2).对多任务权重学习矩阵Wt的迭代闭式解表达式进行了推导,对提出算法的收敛性进行了详细的理论分析.实验表明,提出的多任务加速在线学习算法能够更好地保障大数据流处理的实时性和可伸缩性,有较广泛的实际应用价值.

• 单位
  武汉大学; 软件工程国家重点实验室