共享隐空间迁移SVM

摘要：

在机器学习中,迁移学习被证明能有效使用一个领域信息提高另一个领域中受训模型的分类精度。迁移学习总是假设相关领域间共享某些隐含因素,但在当前的迁移学习方法中,该部分隐含因素依然未得到充分探讨。本研究引入低维共享隐空间的迁移学习方法,基于经典支持向量机(Support vector machine, SVM)分类模型得到融入共享隐空间的迁移支持向量机,该模型较以往相关方法能更好地利用隐空间这一有效信息,从而提高所得分类器的泛化性能。相关实验结果亦验证了所提方法的有效性。

关键词：迁移学习、大间隔分类器、隐空间、支持向量机

分类号：TE1;TP1

资助基金：国家自然科学基金61170122,61202311;江苏省自然科学基金BK 2012552;山东省高等学校科技计划项目J14LN05资助Supported by National Natural Science Foundation of China61170122,61202311;Natural Science Foundation of Jiangsu ProvinceBK2012552;the Project of Shandong Province Higher Educational Science and Technology Program J14LN05本文责任编委刘成林

在线出版日期：2014-12-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：2276-2287