10.3778/j.issn.1002-8331.2002-0008
基于联合分布的多标记迁移学习
针对现有的多标记迁移学习忽略条件分布而导致泛化能力不足的问题,设计了一种基于联合分布的多标记迁移学习(Multi-label Transfer Learning via Joint Distribution Alignment,J-MLTL).分解原始特征生成特征子空间,在子空间中计算条件分布的权重系数,最小化跨领域数据的边际分布和条件分布差异;此外,为了防止标记内部结构信息损失,利用超图对具有多个相同标签的数据进行连接,保持领域内几何流行结构不受领域外知识结构的影响,进一步最小化领域间的分布差异.实验结果表明,相比于已有多标记迁移学习算法在分类精度方面具有显著提升.
多标记数据、迁移学习、子空间学习、联合分布
57
TP181(自动化基础理论)
国家自然科学基金;江苏省重点研发计划现代农业重点项目
2021-05-17(万方平台首次上网日期,不代表论文的发表时间)
共8页
154-161