基于张量分解的域适应算法

摘要：

由于训练数据易过期,在多数情况下训练数据和测试数据具有不同的特征分布,因此在利用源域信息时,须先尽量减小不同领域的特征分布的差异.使用张量表示特征可以维持高维空间数据的本征结构信息.朴素张量子空间学习法虽然是面向张量特征的域适应方法,但其复杂度较高,且没有达到较好的知识迁移效果.为此,文中提出了基于张量分解的域适应算法,即张量列子空间学习法和张量环子空间学习法,二者的主要思想相似.首先,使用张量表示源域和目标域的特征;其次利用张量分解方法,将特征分解为一系列三阶张量来表示子空间;然后,依次将源域特征和目标域特征映射到子空间中;最后,将特征张量重塑为矩阵形式,基于映射后的源域特征训练模型,基于映射后的目标域特征完成新领域的任务.实验结果表明,在无监督图像分类中,张量列子空间学习法和张量环子空间学习法在准确率和运行时间方面都有所提升.相比于朴素张量子空间学习法,张量列子空间学习法和张量环子空间学习法的准确率分别提高了1.68％和2.08％,且运行时间也有明显减少,算法复杂度较小.实验数据充分说明,基于张量分解的域适应算法充分减小了源域特征和目标域特征之间的差异,实现了不同领域间的知识复用.

关键词：迁移学习、域适应、张量分解、子空间学习、图像分类

所属期刊栏目：46

分类号：TP181(自动化基础理论)

在线出版日期：2020-01-11（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：89-94