稀疏分层概率自组织图实例迁移学习方法

摘要：

针对基于实例的迁移学习在关联多源异构领域数据时遇到的数据颗粒度不匹配问题,以单领域分层概率自组织图(HiPSOG)聚类方法为基础,提出一种具有迁移学习能力的稀疏化非监督分层概率自组织图(TSHiPSOG)方法.首先,在源领域和目标领域分别基于概率混合多变量高斯分布生成分层自组织模型以便在多领域中分别提取不同粒度的表示向量,并用稀疏图方法通过概率准则控制模型增长;其次,利用最大信息系数(MIC),在具有富信息的源领域中寻找与目标领域表示向量最相似的表示向量,并利用这些源领域表示向量的类别标签细化目标领域数据分类;最后,在国际通用分类数据集20新闻组数据集和垃圾邮件检测数据集上进行了实验,结果表明算法可以利用源领域的有用信息辅助目标领域的分类问题,并使分类准确率最高提高约15.26％和9.05％;对比其他经典迁移学习方法,通过稀疏分层可以挖掘不同颗粒度的表示向量,分类准确率最高提高约4.48％和4.13％.

关键词：机器学习、迁移学习、非监督学习、分层算法、稀疏图方法

所属期刊栏目：36

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金资助项目61305018;国家社会科学基金资助项目15CTQ030;中国博士后科学基金第57批面上资助项目2015M571183;中国农业科学院科技创新工程项目.This work is partially supported by the National Natural Science Foundation of China61305018;the National Social Science Foundation of China15CTQ030;the China Postdoctoral Science foundation2015M571183;CAAS Agricultural Science and Technology Innovation Program

在线出版日期：2016-06-13（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：692-696,730