主動遷移學習模型的研究與應用.pdf

1、分類是數(shù)據(jù)挖掘領域的一個重要技術。在數(shù)據(jù)獨立同分布的假設下，分類技術根據(jù)已有的帶有類別標簽的訓練樣本建立分類模型，并利用該模型盡量準確地對新的數(shù)據(jù)樣本進行預測與分類。但是在實際應用中，滿足獨立同分布條件的訓練樣本往往相當缺乏，造成分類模型的準確率下降。近年來，為了解決訓練樣本不足的問題，學者們提出了主動學習和遷移學習兩類方法。主動學習的目的是選取少量的具有代表性的數(shù)據(jù)樣本，并由領域專家給這些樣本標注類別標簽，以使其成為訓練樣本。然后，主

2、動學習可以用這少量的具有代表性的訓練樣本建立準確率高的分類模型，從而減少了對訓練樣本的數(shù)量的需求。另一類方法叫做遷移學習。遷移學習的目的是借助來自其他領域的，不滿足數(shù)據(jù)獨立同分布的訓練樣本，幫助目標領域建立分類模型，從而減少了對目標領域的訓練樣本的要求。 但是，在解決訓練樣本缺乏的問題上，主動學習和遷移學習各有不足。一方面，主動學習對訓練樣本的需求依然很大，造成某些領域獲得訓練樣本的代價依然很高；遷移學習雖然可以以零代價獲得訓練

3、樣本，但是從其他領域遷移過來的訓練樣本有可能與目標領域分布差異很大，造成“負遷移”，即使得分類模型的準確率下降。為了更好地解決訓練樣本不足的問題，在這兩類方法的基礎上，本文提出了主動遷移學習的模型。本文結合主動學習的思想，解決負遷移的問題；并利用了遷移學習來降低主動學習中獲得訓練樣本的代價。理論和實驗證明本文提出的模型能有效地避免負遷移，提高分類的準確率，并有效地降低獲得訓練樣本的代價。 另外，為了說明主動遷移學習模型的有效性，