多源遷移學(xué)習(xí)的研究.pdf

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

2、目標(biāo)領(lǐng)域樣本多標(biāo)簽化的基礎(chǔ)上,構(gòu)建了樣本標(biāo)簽關(guān)系超圖,捕獲了共享相同標(biāo)簽的多個樣本之間的關(guān)系,給出了分類模型。利用超圖的拉普拉斯擴展進一步細(xì)化了該預(yù)測模型,通過最小二乘法的技術(shù)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(xué)習(xí)中目標(biāo)領(lǐng)域標(biāo)記樣本較少的問題,本文給出了半監(jiān)督學(xué)習(xí)中的助學(xué)習(xí)與多源遷移學(xué)習(xí)融合的算法。該算法利用了助學(xué)習(xí)方法中對樣本進行兩次選擇的特點,對每個源領(lǐng)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(biāo)領(lǐng)域帶標(biāo)記的數(shù)據(jù)集中,即,從每個源領(lǐng)域中選擇符合條件的樣本加入到有標(biāo)記的目標(biāo)領(lǐng)域。實驗表明,Help-MITL算法在目標(biāo)領(lǐng)域訓(xùn)練比例較小時,仍有較高的分類性能。
　　研究了用來解決標(biāo)記樣本稀缺的主動學(xué)習(xí)及其學(xué)習(xí)方法,設(shè)計了基于主動學(xué)習(xí)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(lǐng)域中遷移樣本,依據(jù)源領(lǐng)域訓(xùn)練的模型和帶標(biāo)記的目標(biāo)