多源遷移學習的研究.pdf

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