非平衡样本分类的集成迁移学习算法

被引：26

作者：

于重重 ^{[1
,2
]}

田蕊 ^{[1
]}

谭励 ^{[1
]}

涂序彦 ^{[2
]}

机构：

[1] 北京工商大学计算机与信息工程学院

[2] 北京科技大学信息计算机与通信工程学院

来源：

电子学报 | 2012年 / 40卷 / 07期

关键词：

迁移学习; 分类器集成; 冗余数据淘汰; 权重分配;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

针对冗余数据量大且正负样本不平衡的辅助训练数据,提出了一种改进集成迁移学习算法,利用这些辅助训练数据迁移帮助目标数据进行分类.新的样本初始权重分配及调整策略,突出了对负样本的识别能力.通过动态调整辅助训练集,根据设定好的权重阈值下限适时地淘汰冗余数据,降低了冗余数据对分类器性能的影响,提升了迁移学习对非平衡样本的学习能力.本文利用桥梁实际监测数据进行的实验表明了该算法较TrAdaboost算法的有效性.

引用

页码：1358 / 1363

页数：6

共 6 条

[1] 一种改进的AdaBoost算法——M-Asy AdaBoost [J].

张彦峰 ;

何佩琨 .

北京理工大学学报, 2011, 31 (01) :64-68+73

[2] AdaBoost算法的推广——一组集成学习算法 [J].

付忠良 ;

赵向辉 ;

苗青 ;

姚宇 .

四川大学学报(工程科学版), 2010, 42 (06) :91-98

[3] 数据集动态重构的集成迁移学习 [J].

刘伟 ;

张化祥 .

计算机工程与应用, 2010, 46 (12) :126-128

[4] 一种不平衡数据流集成分类模型 [J].

欧阳震诤 ;

罗建书 ;

胡东敏 ;

吴泉源 .

电子学报, 2010, 38 (01) :184-189

[5] A decision-theoretic generalization of on-line learning and an application to boosting [J].

Freund, Y ;

Schapire, RE .

JOURNAL OF COMPUTER AND SYSTEM SCIENCES, 1997, 55 (01) :119-139

[6]

Translated learning:Tran- sfer learning across different feature spaces. Dai Wenyuan,Chen Yuqiang,Xue Guirong,Yang Qiang,Yu Yong. Advances in Neural Information Processing Systems21 . 2009

← 1 →