Multi-Task Learning with Covariate-Overlap Regularization
采用协变量重叠正则化的多任务学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦通用多任务预测和组织表达数据，未直接涉及所列宏观、微观或金融专门方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
采用协变量重叠正则化的多任务学习
- 研究问题
- 当任务间协变量分布和响应关系同时不同，如何共享信息以提高数据效率，并控制过度共享带来的预测偏差？
- 方法与思路
- 作者提出COVER，以共享神经表示和任务特定系数组合预测函数，利用各任务二阶矩构造重叠惩罚，并用辅助系数实现端到端训练。
- 材料陈述的贡献
- 摘要称给出固定表示下的精确偏差方差分解、端到端预言不等式及神经网络速率；模拟和GTEx应用展示其在所比较方法中的预测表现。
- 阅读关注点
- 应核对协变量重叠与响应异质性的定义、共同成分和任务系数的约束，以及同时估计表示和重叠矩阵所需的理论条件。
- 阅读边界
- 这是arXiv第2版预印本，不能据此声称已同行评审或期刊接收；摘要中的预测优势限于所报告比较，不能推断其他版本的变化。
原文摘要
Multi-task learning improves data efficiency by sharing information across related tasks, but indiscriminate sharing can be harmful when their covariate distributions and response relationships differ. We propose COVariate-ovERlap regularized multi-task learning (COVER) to address covariate and posterior heterogeneity. The model combines a common component function with a shared neural representation and low-dimensional task-specific coefficients. Taskwise second-moment matrices summarize covariate heterogeneity and determine the strength of coefficient integration in each representation direction. We derive a covariate-overlap penalty by minimizing the total squared change in two task predictors when their coefficients are replaced by one auxiliary coefficient. An equivalent auxiliary formulation supports end-to-end training without matrix inversion. An exact fixed-representation bias--variance decomposition quantifies how covariate overlap controls variance reduction and how posterior heterogeneity determines shrinkage bias. Global and localized end-to-end oracle inequalities account for jointly learning the neural functions and estimating the overlap matrices from the same observations. We give explicit neural-network rates and sharpen the stochastic prediction term when the regularized oracle risk and overlap-estimation error are small. Simulations across diverse heterogeneity settings show competitive performance against deep-learning and statistical data-integration methods, with the largest gains under joint heterogeneity. In a GTEx central-nervous-system analysis, COVER achieves the lowest response-averaged prediction error among the compared methods and reveals tissue-pair integration patterns.