TrSVM:一种基于领域相似性的迁移学习算法

被引：54

作者：

洪佳明

印鉴

黄云

刘玉葆

王甲海

机构：

[1] 中山大学信息科学与技术学院

来源：

计算机研究与发展 | 2011年 / 10期

关键词：

迁移学习; 跨领域学习; 分类; 支持向量机; 领域相似性;

D O I：

暂无

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

140502 [人工智能];

摘要：

迁移学习是对传统监督学习的扩展,试图利用其他相关领域中的现存数据来帮助完成当前领域的学习任务.对于归纳式迁移学习算法,当目标领域只有少量数据时,已有的算法容易受到选择性偏差的影响,不能充分发挥相关领域数据的作用.为解决该问题,提出一种利用领域相似性的新途径:通过定义领域弱相似性的概念,将相似性的约束与目标分类器联系起来,能在训练过程中有效利用相关领域的大量数据,设计出一种基于支持向量机的迁移学习算法TrSVM,并给出求解过程.在大量数据集上的实验结果表明了新算法的有效性.

引用

页码：1823 / 1830

页数：8

共 4 条

[1]

基于KL距离的非平衡数据半监督学习算法 [J].

许震 ;

沙朝锋 ;

王晓玲 ;

周傲英 .

计算机研究与发展, 2010, 47 (01) :81-87

[2]

A theory of learning from different domains[J] Shai Ben-David;John Blitzer;Koby Crammer;Alex Kulesza;Fernando Pereira;Jennifer Wortman Vaughan Machine Learning 2010,

[3]

A Tutorial on Support Vector Machines for Pattern Recognition.[J] Christopher J.C. Burges Data Min. Knowl. Discov. 1998,

[4]

Convex Optimization Boyd S; Vandenberghe L; Cambridge University Press 2004,

← 1 →