10.16451/j.cnki.issn1003-6059.201909001
两阶段领域自适应学习
针对领域自适应问题中源域和目标域的联合分布差异最小化问题,提出两阶段领域自适应学习方法.在第一阶段考虑样本标签和数据结构的判别信息,通过学习一个共享投影变换,使投影后的共享空间中边缘分布的差异最小.第二阶段利用源域标记数据和目标域非标记数据学习一个带结构风险的自适应分类器,不仅能最小化源域和目标域条件分布差异,还能进一步保持源域和目标域边缘分布的流形一致性.在3个基准数据集上的实验表明,文中方法在平均分类准确率和Kappa系数两项评价指标上均表现较优.
领域自适应、两阶段学习、边缘分布适配、条件分布适配、判别信息保留
32
TP391(计算技术、计算机技术)
国家自然科学基金项目U1636220,61472423
2019-12-09(万方平台首次上网日期,不代表论文的发表时间)
共12页
773-784