摘要： 
实现多任务学习的一种典型的方法为增加一个正则项，写为f(W)+g(W)形式，目标函数中的f(W)很容易并行化，但是一般g(W)就很难并行化了，那么如何解决这个问题呢？答案是运用一个可以分解的代理损失函数来替换掉原始的目标函数。我们接下来就以论文《Parallel Multi-Task Learning》[4]（zhang 2015c等人）为例来介绍该思想。该论文MTLR模型[5]（zhang 2015a）的基础上利用FISTA算法设计代理损失函数，该代理函数可以依据学习任务进行分解，从而并行计算。 阅读全文
实现多任务学习的一种典型的方法为增加一个正则项，写为f(W)+g(W)形式，目标函数中的f(W)很容易并行化，但是一般g(W)就很难并行化了，那么如何解决这个问题呢？答案是运用一个可以分解的代理损失函数来替换掉原始的目标函数。我们接下来就以论文《Parallel Multi-Task Learning》[4]（zhang 2015c等人）为例来介绍该思想。该论文MTLR模型[5]（zhang 2015a）的基础上利用FISTA算法设计代理损失函数，该代理函数可以依据学习任务进行分解，从而并行计算。 阅读全文