Multi-task Learning for Predicting Health, Stress, and Happiness
Multi-task Learning for Predicting Health, Stress, and Happiness
Natasha Jaques, Sara Taylor, Ehimwenma Nosakhare, Akane Sano, Rosalind Picard
MIT Media Lab Affective Computing Group
Intro
multi-task learning是一种transfer learning，模型能够同时训练多个相互关联的tasks。
Dataset and Classification Problem
数据是自己收集，叫SNAPSHOT。收集了三十天，包含health，stress，和happiness，在早晨和晚上，标记的数值从0到100。
一共有343个特征，来自传感器，手机，调研和天气信息。MTL在这里有两种用法
- 将每一个wellbeing标签当作task
- 将每一个用户的wellbeing预测当作task
Models
Multi-Task Multi-Kernel Learning (MTMKL)
通过一个共同训练的RFB kernel。multi-task SVM。
Hierarchical Bayes with Dirichlet Process Priors (HBDPP)
hierarchical bayesian learning使用一个共享的prior。这里使用了non-parametric Bayesian hierarchical模型来将相关用户进行聚类，同时进行MTL通过joint logistic regression。
Neural Networks (NNs)
一个NN，共享前面几层layer的参数。
Single task learning (STL) techniques
对应的三个模型，分别实现single-task版本。
Results
使用AUC和accuracy证明了，multi-task结果比相对应的single-task要好。