蒋亦樟，华 蕾，张 群,2，钱鹏江，夏开建,3,4

1.江南大学人工智能与计算机学院,江苏无锡214122

2.江南大学图书馆,江苏无锡214122

3.苏州大学附属常熟医院信息科,江苏苏州215500

4.中国矿业大学信息与控制工程学院,江苏徐州221116

经典的机器学习方法已广泛用于如聚类、分类、回归[1]等实际应用.很多方法因其简单性和优越性而闻名，如k均值[2-3]、模糊c 均值（FCM）[4-6]、神经网络[7-8]、支持向量机[9-10]、模糊系统[11-17].但这些经典方法都面向单任务学习场景，不能有效满足当前多任务学习场景的需求.以生化发酵过程[18]为例，其谷氨酸发酵过程需要同时处理多个任务.这种学习场景就是一个典型的多输入多输出（multiple-input-multiple-output,MIMO）系统，对应的数据集可分解为多个多输入单输出（multiple-input-single-output,MISO）的数据集.如果将每个MISO数据集视为一个任务且所有任务具有相同的输入但每个任务的输出不同，那么经典的单任务建模方法（如传统的Takagi-Sugeno-Kang(TSK)模糊系统[14]）可以独立地对这些MISO 数据集进行建模并取得一定的性能.但相较于用多任务学习机制的模型而言，这些经典的单任务学习模型显得效率低[19-21].

对于一个明确的多任务场景问题，一种有效地方式是设计出新的具有多任务协同学习能力的学习框架.当前，针对不同的机器学习问题，提出了各种多任务学习机制并已广泛应用于聚类[22-24]、分类[20-21,25-26]、回归[16,17,27-29]问题中，本文工作重点将放在回归问题上.模糊系统作为一种经典的回归方法，因其可解释性和学习能力而广泛应用于智能控制、信号处理、模式识别……