选择性直推式迁移学习

摘要：

针对现有迁移学习中源域和目标域具有分布不一致数据的问题,通过采用一种选择性最大均值偏差度量方法,将源域中部分相关数据子集用于构建迁移知识,提出选择性的直推式迁移学习方法(selective transductive transfer learning,STTL).选出与目标域分布相似的数据用于迁移学习,避免使用不相关源域数据带来的负迁移效应,实现标签数据不足情况下目标域数据的有效建模.实验结果表明,所提方法在模拟和真实数据集上的实验精度优于其它方法.

关键词：迁移学习、最大均值偏差、选择性最大均值偏差度、核方法、直推式迁移学习

所属期刊栏目：38

分类号：TP3(计算技术、计算机技术)

资助基金：国家自然科学基金青年基金项目61305097;国家国际科技合作专项基金项目2013DFG12900;广东省机器人与智能系统重点实验室提升基金项目ZDSYS20140509174140672;深圳市基础研究学科布局基金项目JCYJ20150925163244742

在线出版日期：2017-10-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：2256-2261