多任务聚类方法总结（来源于《数据聚类》-张宪超）
CO-clustering for Multitask learning
对特征和任务都进行聚类的一种多任务学习方法
Self-paced multi-task clustering
摘要：多任务聚类（MTC）由于能够利用不同任务之间的关系，因此在机器学习中引起了很多研究的关注。尽管传统MTC模型取得了成功，但它们要么容易陷入局部最优，要么对异常值和噪声数据敏感。为了缓解这些问题，我们提出了一种新颖的自定进度多任务聚类（SPMTC）范例。具体而言，SPMTC逐步选择数据示例来训练一系列复杂度增加的MTC模型，从而大大降低陷入较差局部最优的风险。此外，为了减少异常值和噪声数据的负面影响，我们设计了SPMTC的软版本，以进一步提高聚类性能。通过交替优化方法可以容易地解决相应的SPMTC框架。
多任务无监督学习
不同于每个数据实例都关联了一个标签的多任务监督学习，多任务无监督学习的训练集仅由数据样本构成，其目标是挖掘数据集中所包含的信息。典型的无监督学习任务包括聚类、降维、流形学习（manifold learning）和可视化等，而多任务无监督学习主要关注多任务聚类。聚类是指将一个数据集分成多个簇，其中每簇中都有相似的实例，因此多任务聚类的目的是通过利用不同数据集中包含的有用信息来在多个数据集上同时执行聚类。
https://www.jiqizhixin.com/articles/nsr-jan-2018-yu-zhang-qiang-yang
论文地址https://academic.oup.com/nsr/article/5/1/30/4101432
https://doi.org/10.1093/nsr/nwx105
