多源遷移學習的研究.pdf_第1頁
已閱讀1頁,還剩64頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、訓練與測試數(shù)據(jù)在傳統(tǒng)的機器學習中通常滿足同分布,但實際應用中,滿足同分布條件的訓練樣本往往相當缺乏。怎樣有效地利用與測試數(shù)據(jù)非同分布的訓練數(shù)據(jù)是需要解決的問題,恰好利用遷移學習解決。遷移學習的目的是借助來自其他領域的,不滿足數(shù)據(jù)同分布的訓練樣本,幫助目標領域建立分類模型。另外,遷移學習方法的分類效果在很大程度上依賴源領域,例如,源領域的個數(shù)以及源領域與目標領域之間的可遷移性等。
  本文研究了用來表示多元關系的超圖,在多個源領域對

2、目標領域樣本多標簽化的基礎上,構建了樣本標簽關系超圖,捕獲了共享相同標簽的多個樣本之間的關系,給出了分類模型。利用超圖的拉普拉斯擴展進一步細化了該預測模型,通過最小二乘法的技術求解。實驗表明,該算法在分類性能和時間效率上具有明顯的優(yōu)勢。
  針對遷移學習中目標領域標記樣本較少的問題,本文給出了半監(jiān)督學習中的助學習與多源遷移學習融合的算法。該算法利用了助學習方法中對樣本進行兩次選擇的特點,對每個源領域中的樣本進行了兩次選擇。第一次根

3、據(jù)分類一致性以及遷移性能,第二次根據(jù)樣本在分類器下的類別概率,選擇類別概率較高的樣本加入到目標領域帶標記的數(shù)據(jù)集中,即,從每個源領域中選擇符合條件的樣本加入到有標記的目標領域。實驗表明,Help-MITL算法在目標領域訓練比例較小時,仍有較高的分類性能。
  研究了用來解決標記樣本稀缺的主動學習及其學習方法,設計了基于主動學習的多源遷移算法。該算法分成兩部分來考慮,第一部分從每個源領域中遷移樣本,依據(jù)源領域訓練的模型和帶標記的目標

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論