核分布一致局部领域适应学习

摘要：

针对领域适应学习(Domain adaptation learning,DAL)问题,提出一种核分布一致局部领域适应学习机(Kernel distribution consistency based local domain adaptation classifier,KDC-LDAC),在某个通用再生核Hilbert空间(Universally reproduced kernel Hilbert space,URKHS),基于结构风险最小化模型,KDC-LDAC首先学习一个核分布一致正则化支持向量机(Support vector machine,SVM),对目标数据进行初始划分；然后,基于核局部学习思想,对目标数据类别信息进行局部回归重构；最后,利用学习获得的类别信息,在目标领域训练学习一个适于目标判别的分类器.人造和实际数据集实验结果显示,所提方法具有优化或可比较的领域适应学习性能.

关键词：领域适应学习、核分布一致、局部学习、模式分类、最大平均差

所属期刊栏目：39

资助基金：国家自然科学基金60975027,60903100;教育部人文社会科学研究规划基金13YJAZH084;浙江省自然科学基金LY13F020011;National Natural Science Foundation of China60975027,60903100;Humanities and Social Sciences Research Fund of Ministry of Education13YJAZH084;Natural Science Foundation of Zhejiang ProvinceLY13F020011

在线出版日期：2013-10-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：1295-1309