基于平衡概率分布和实例的迁移学习算法

摘要：

在联合匹配边缘概率和条件概率分布以减小源域与目标域的差异性时,存在由类不平衡导致模型泛化性能差的问题,从而提出了基于平衡概率分布和实例的迁移学习算法.通过基于核的主成分分析方法将特征数据映射到低维子空间,在子空间中对源域与目标域的边缘分布和条件分布进行联合适配,利用平衡因子动态调节每个分布的重要性,采用加权条件概率分布自适应地改变每个类的权重,同时融合实例更新策略,进一步提升模型的泛化性能.在字符和对象识别数据集上进行了多组对比实验,表明该算法有效地提高了图像分类的准确率.

关键词：迁移学习、平衡分布、类不平衡、实例更新、领域自适应

所属期刊栏目：52

分类号：TP3(计算技术、计算机技术)

资助基金：河南省高校科技创新团队支持计划项目17IRTSTHN013

在线出版日期：2020-08-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：55-61