用于域适应的多边缘降噪自动编码器

摘要：

神经网络模型被广泛用于跨领域分类学习.边缘堆叠降噪自动编码器(marginalized stacked denoising autoencoders,mSDA)作为一种神经网络模型,通过对源领域和目标领域数据进行边缘化加噪损坏,学习一个公共的、健壮的特征表示空间,从而解决领域适应问题.然而,mSDA对所有的特征都采取相同的边缘化加噪处理方式,没有考虑到不同特征对分类结果的影响不同.为此,对特征进行区分性的噪音系数干扰,提出多边缘降噪自动编码器(multi-marginalized denoising autoencoders,M-MDA).首先,利用改进的权重似然率(weighted log-likelihood ratio update,WLLRU)区分出领域间的共享和特有特征;然后,通过计算特征在两个领域的距离,对共享特征和特有特征进行不同方式的边缘化降噪处理,并基于单层边缘降噪自动编码器(marginalized denoising autoencoders,MDA)学习获取更健壮的特征;最后,对新的特征空间进行二次损坏以强化共享特征的比例.实验结果表明,该方法在跨领域情感分类方面优于基线算法.

关键词：情感分类、跨领域、噪音、边缘堆叠降噪自动编码器(mSDA)

所属期刊栏目：13

分类号：TP183(自动化基础理论)

在线出版日期：2019-04-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：322-329