基于最小最大概率机的迁移学习分类算法
传统的迁移学习分类算法利用源域中大量有标签的数据和目标域中少量有标签的数据解决相关但不相同目标域的数据分类问题,但对于已知源域的不同类别数据均值的迁移学习分类问题并不适用。为了解决这个问题,利用源域的数据均值和目标域的少量标记数据构造迁移学习约束项,对最小最大概率机进行正则化约束,提出了基于最小最大概率机的迁移学习分类算法,简称TL?MPM。在20 News Groups数据集上的实验结果表明,目标域数据较少时,所提算法具有更高的分类正确率,从而说明了算法的有效性。
迁移学习、最小最大概率机、分类、源域、目标域、正则化
11
TP391.4(计算技术、计算机技术)
国家自然科学基金资助项目61170122,61272210.
2016-04-25(万方平台首次上网日期,不代表论文的发表时间)
共9页
84-92