基于dropout正则化的半监督域自适应方法

摘要：

针对机器学习中训练样本和测试样本概率分布不一致的问题,提出了一种基于dropout正则化的半监督域自适应方法来实现将神经网络的特征表示从标签丰富的源域转移到无标签的目标域.此方法从半监督学习的角度出发,在源域数据中添加少量带标签的目标域数据,使得神经网络在学习到源域数据特征分布的同时也能学习到目标域数据的特征分布.由于有了先验知识的指导,即使没有丰富的标签信息,神经网络依然可以很好地拟合目标域数据.实验结果表明,此算法在几种典型的数字数据集SVHN、MNIST和USPS的域自适应任务上的性能优于现有的其他算法,并且在涵盖广泛自然类别的真实数据集CIFAR-10和STL-10的域自适应任务上有较好的鲁棒性.

关键词：域自适应方法、正则化、半监督学习、神经网络

所属期刊栏目：38

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目;江苏省自然科学基金资助项目

在线出版日期：2021-03-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：591-594,599