基于最大熵模型的遷移學(xué)習(xí)算法研究.pdf

1、傳統(tǒng)的機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘算法大多基于這一假設(shè)：訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集具有相同的特征空間和數(shù)據(jù)分布，因而更側(cè)重于與其他任務(wù)或者先前學(xué)習(xí)到的知識相互獨立的單任務(wù)學(xué)習(xí)。然而，在實際應(yīng)用中，特征空間和數(shù)據(jù)分布常常發(fā)生變化，因此需要花費大量的時間和精力去重新收集大量的標(biāo)記數(shù)據(jù)并訓(xùn)練新模型。
　　 遷移學(xué)習(xí)是一種新的學(xué)習(xí)框架，其旨在使一個系統(tǒng)具有識別和應(yīng)用先前任務(wù)中學(xué)習(xí)到的知識和技巧于新的任務(wù)或領(lǐng)域的能力。本文針對歸納遷移學(xué)習(xí)和直推遷移學(xué)習(xí)

2、這兩個分支，分別從單領(lǐng)域遷移和多領(lǐng)域遷移兩方面展開了遷移學(xué)習(xí)算法的研究，提出了基于最大熵模型的加權(quán)歸納遷移學(xué)習(xí)算法WTLME和集成直推遷移學(xué)習(xí)算法SFEC。主要工作如下：
　　 (1)WTLME著重于解決單領(lǐng)域遷移的歸納遷移學(xué)習(xí)問題，通過將已訓(xùn)練好的原始領(lǐng)域模型參數(shù)遷移到目標(biāo)領(lǐng)域，并對目標(biāo)領(lǐng)域?qū)嵗龣?quán)重進(jìn)行調(diào)整，來獲得目標(biāo)領(lǐng)域準(zhǔn)確率較高的分類器模型。通過在Web網(wǎng)頁數(shù)據(jù)集和評論數(shù)據(jù)集上的大量實驗表明了該算法的有效性。