一种基于局部加权均值的领域适应学习框架
最大均值差异(Maximum mean discrepancy,MMD)作为一种能有效度量源域和目标域分布差异的标准已被成功运用.然而,MMD作为一种全局度量方法一定程度上反映的是区域之间全局分布和全局结构上的差异.为此,本文通过引入局部加权均值的方法和理论到MMD中,提出一种具有局部保持能力的投影最大局部加权均值差异(Projected maximumlocal weighted mean discrepancy,PMLWD)度量,结合传统的学习理论提出基于局部加权均值的领域适应学习框架(Local weighted mean based domain adaptation learning framework,LDAF),在LDAF框架下,衍生出两种领域适应学习方法:LDAF_MLC和LDAF_SVM.最后,通过测试人工数据集、高维文本数据集和人脸数据集来表明LDAF比其他领域适应学习方法更具优势.
迁移学习、领域适应学习、局部加权均值、投影最大局部加权均值差异、基于局部加权均值的领域适应学习框架
39
国家自然科学基金61272210,60903100;江苏省自然科学基金BK2011417;苏州大学江苏省计算机信息处理技术重点实验室开放课题KJSl126;江苏省新型环保重点实验室开放课题AE20106S;江苏省高校优秀中青年教师和校长境外研修计划资助;National Natural Science Foundation of China61272210,60903100;Jiangsu Provincial Natural Science FoundationBK2011417;Open Project of Jiangsu Provincial Key Laboratory for Computer Information Processing TechnologyKJS1126;Open Project of Key Laboratory for Advanced Technology in Environmental Project of Jiangsu ProvinceAE201068;Oversea Education Plan for Young Outstanding Teachers and Presidents of University in Jiangsu Province
2013-10-16（万方平台首次上网日期，不代表论文的发表时间）
共16页
1037-1052
