对不平衡目标域的多源在线迁移学习
多源在线迁移学习已经广泛地应用于相关源域中含有大量的标记数据且目标域中数据以数据流的形式达到的应用中.然而,目标域的类别分布有时是不平衡的,针对目标域每次以在线方式到达多个数据的不平衡二分类问题,本文提出了一种可以对目标域样本过采样的多源在线迁移学习算法.该算法从前面批次的样本中寻找当前批次的样本的k近邻,先少量生成多数类样本,再生成少数类使得当前批次样本的类别分布平衡.每个批次合成样本和真实样本一同训练目标域函数,从而提升目标域函数的分类性能.同时,分别设计了在目标域的输入空间和特征空间过采样的方法,并且在多个真实世界数据集上进行了综合实验,证明了所提出算法的有效性.
多源迁移学习、在线学习、目标域、不平衡数据、过采样、k近邻、输入空间、特征空间
17
TP181(自动化基础理论)
国家自然科学基金61572236
2022-04-28(万方平台首次上网日期,不代表论文的发表时间)
共9页
248-256