多媒體數(shù)據(jù)挖掘中的跨數(shù)據(jù)域?qū)W習.pdf

1、在數(shù)據(jù)挖掘和機器學習領(lǐng)域中，監(jiān)督學習模型一直有著廣泛的應(yīng)用。然而，模型中需要用到的監(jiān)督信息，即有標注的數(shù)據(jù)往往較難大規(guī)模地獲得。而對數(shù)據(jù)進行標注，往往需要大量的人力、物力。為了解決研究問題中標簽信息匱乏的困難，專家學者們提出了遷移學習的概念。在遷移學習問題中，研究對象所組成的數(shù)據(jù)集被稱為目標域，有充足標簽信息并能起輔助學習作用的相關(guān)數(shù)據(jù)集被稱為輔助域。為了解決各種實際問題，研究人員致力于從輔助域里學習所需要的知識，以幫助目標域里模型的學

2、習。本論文深入分析了跨數(shù)據(jù)域遷移學習問題，并在研究大量國際經(jīng)典文獻工作的基礎(chǔ)上，提出了多種跨數(shù)據(jù)域遷移學習分類模型和算法。本文的主要工作和創(chuàng)新點在于:
　　1.提出了一種基于流形的鑒別遷移學習分類模型。我們觀察到現(xiàn)有的很多跨數(shù)據(jù)域文本分類的方法，都采用了聯(lián)合矩陣分解模型來學習各個數(shù)據(jù)域的低維因子。然而，由于矩陣分解模型著重挖掘的是數(shù)據(jù)內(nèi)在的聚類結(jié)構(gòu)，這些算法普遍忽視了數(shù)據(jù)因子在分類任務(wù)中理應(yīng)具有的鑒別屬性。為了解決這個問題，我們將

3、分類模型施加在學習所得的數(shù)據(jù)因子上，并以損失函數(shù)為調(diào)節(jié)項對因子進行進一步的優(yōu)化。此外，這些基于矩陣分解的遷移學習算法學習得到的數(shù)據(jù)因子在不同域之間還是存在很大的差異性。我們在數(shù)據(jù)各個維度的因子上引入刻畫域間差異性的統(tǒng)計度量，并且以最小化這種差異性為目標，進一步優(yōu)化所得的數(shù)據(jù)低維因子。
　　2.我們提出了一種跨數(shù)據(jù)域分類模型:通過學習各個數(shù)據(jù)域共享的子空間來實現(xiàn)知識的遷移。在這個模型中，我們提取了各個數(shù)據(jù)域中特征上保持穩(wěn)定的代表性數(shù)

4、據(jù)，并以這些數(shù)據(jù)來構(gòu)建子空間的基向量。另一方面，為了加強不同域的數(shù)據(jù)在這個子空間中的統(tǒng)計相似性，我們通過最小化域間差異性，對子空間中的數(shù)據(jù)因子進行了進一步的優(yōu)化。
　　3.提出了一種融合數(shù)據(jù)多視角信息進行跨數(shù)據(jù)域分類的算法。在算法中，我們鑒別地提取了不同域的數(shù)據(jù)的多視角特征，將那些反映類屬本質(zhì)的特征保留了下來。我們在提取的特征上引入刻畫域間差異性的統(tǒng)計量，通過最小化域間差異性對特征進行優(yōu)化。進一步，我們在語義類別的全局結(jié)構(gòu)和數(shù)據(jù)的