hh.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Multi-Task Representation Learning
Högskolan i Halmstad, Akademin för informationsteknologi, Halmstad Embedded and Intelligent Systems Research (EIS), CAISR Centrum för tillämpade intelligenta system (IS-lab).ORCID-id: 0000-0002-2859-6155
Högskolan i Halmstad, Akademin för informationsteknologi, Halmstad Embedded and Intelligent Systems Research (EIS), CAISR Centrum för tillämpade intelligenta system (IS-lab).ORCID-id: 0000-0003-3272-4145
Högskolan i Halmstad, Akademin för informationsteknologi, Halmstad Embedded and Intelligent Systems Research (EIS), CAISR Centrum för tillämpade intelligenta system (IS-lab).ORCID-id: 0000-0002-7796-5201
2017 (Engelska)Ingår i: 30th Annual Workshop ofthe Swedish Artificial Intelligence Society SAIS 2017: May 15–16, 2017, Karlskrona, Sweden / [ed] Niklas Lavesson, Linköping: Linköping University Electronic Press, 2017, s. 53-59Konferensbidrag, Publicerat paper (Refereegranskat)
Abstract [en]

The majority of existing machine learning algorithms assume that training examples are already represented with sufficiently good features, in practice ones that are designed manually. This traditional way of preprocessing the data is not only tedious and time consuming, but also not sufficient to capture all the different aspects of the available information. With big data phenomenon, this issue is only going to grow, as the data is rarely collected and analyzed with a specific purpose in mind, and more often re-used for solving different problems. Moreover, the expert knowledge about the problem which allows them to come up with good representations does not necessarily generalize to other tasks. Therefore, much focus has been put on designing methods that can automatically learn features or representations of the data instead of learning from handcrafted features. However, a lot of this work used ad hoc methods and the theoretical understanding in this area is lacking.

Ort, förlag, år, upplaga, sidor
Linköping: Linköping University Electronic Press, 2017. s. 53-59
Serie
Linköping Electronic Conference Proceedings, ISSN 1650-3686, E-ISSN 1650-3740 ; 137
Nyckelord [en]
Representation Learning, Multi-Task Learning, Machine Learning, Supervised Learning, Feature Learning
Nationell ämneskategori
Signalbehandling
Identifikatorer
URN: urn:nbn:se:hh:diva-36755ISBN: 978-91-7685-496-9 (tryckt)OAI: oai:DiVA.org:hh-36755DiVA, id: diva2:1205474
Konferens
30th Annual Workshop of the Swedish Artificial Intelligence Society SAIS 2017, May 15–16, 2017, Karlskrona, Sweden
Tillgänglig från: 2018-05-14 Skapad: 2018-05-14 Senast uppdaterad: 2019-04-12Bibliografiskt granskad

Open Access i DiVA

fulltext(336 kB)20 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 336 kBChecksumma SHA-512
f35e1e563e451cf241201f405752d1c838d919a936e0236731825fb2dfeb08cfd47b4008b8ddaec2989546b8202f5ad769f7b67a145bcd435a9529a74197c7a2
Typ fulltextMimetyp application/pdf

Övriga länkar

Proceeding

Personposter BETA

Bouguelia, Mohamed-RafikPashami, SepidehNowaczyk, Sławomir

Sök vidare i DiVA

Av författaren/redaktören
Bouguelia, Mohamed-RafikPashami, SepidehNowaczyk, Sławomir
Av organisationen
CAISR Centrum för tillämpade intelligenta system (IS-lab)
Signalbehandling

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 20 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

isbn
urn-nbn

Altmetricpoäng

isbn
urn-nbn
Totalt: 123 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf