基于跨領域的遷移學習算法研究.pdf

1、機器學習技術已經(jīng)在許多知識工程技術領域包括分類、回歸和聚類等取得了重大的成功。但是，許多機器學習技術只有在基于一個共同的假設的情況下才能取得很好的效果，那就是訓練數(shù)據(jù)和測試數(shù)據(jù)來自于相同的分布和相同的特征空間。而在一般情況下，由于我們的訓練數(shù)據(jù)和測試數(shù)據(jù)來自不同的領域，這樣傳統(tǒng)機器學習技術將不能取得很好的效果。如果能夠利用一個領域的知識來幫助另外一個領域的學習，即跨領域的遷移學習，將會大大提高機器學習算法的效果。
　　 本文首先

2、研究了遷移學習的分類及一些典型的遷移學習算法。再此基礎上，提出了兩種新的遷移學習算法：
　　 (1)提出了一種基于實例KMM匹配的參數(shù)遷移學習方法。首先利用KMM算法估計每個源領域?qū)嵗臋嘀?，然后利用得到的權重，把這些實例應用到基于參數(shù)的遷移學習方法中，得到的遷移學習效果要比單獨從實例或是從參數(shù)出發(fā)的遷移學習方法都要好，特別是當目標領域的標記數(shù)據(jù)比較少時。
　　 (2)提出了一種基于KDA的半監(jiān)督學習遷移算法。利用KDA