迁移学习支持向量回归机

被引：5

作者：

史荧中 ^{[1
,2
]}

王士同 ^{[1
]}

蒋亦樟 ^{[1
]}

刘培林 ^{[1
,2
]}

机构：

[1] 江南大学数字媒体学院

[2] 无锡职业技术学院物联网学院

来源：

计算机应用 | 2013年 / 33卷 / 11期

关键词：

迁移学习; 数据缺失; 支持向量回归机; 知识相关性; 信息修补;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

传统的回归系统构建方法假设用于建模的数据是充分的,但若当前场景中重要数据信息缺失,则基于此数据集训练所得系统泛化能力较差。针对此缺陷,以支持向量回归机(SVR)为基础,提出了具有迁移学习能力的回归机系统,即迁移学习支持向量回归机(T-SVR)。T-SVR不仅能充分利用当前场景的数据信息,而且能有效地利用历史知识来学习,具有通过迁移历史场景知识来弥补当前场景信息缺失的能力。具体地,通过控制目标函数中当前模型与历史模型的相似性,使当前模型能在信息缺失和不足时从历史场景中得到有益信息,得到增强的当前场景模型。在模拟数据和酒类光谱数据集上的实验研究亦验证了在信息缺失场景下T-SVR较之于传统回归系统建模方法的更好适应性。

引用

页码：3084 / 3089

页数：6

共 19 条

[1]

Fast training of support vector machines usingsequential minimal optimization. Platt J. Advances in KernelMethods-Support Vector Learning . 2000

[2]

Domain transfer multiple kernel learning. Duan, Lixin,Tsang, Ivor W.,Xu, Dong. IEEE Transactions on Pattern Analysis and Machine Intelligence . 2012

[3]

Statistical Learning Theory. Vapnik VN. . 1998

[4]

Domain adaptation via transfer component analysis. Pan, Sinno Jialin,Tsang, Ivor W.,Kwok, James T.,Yang, Qiang. IEEE Transactions on Neural Networks . 2011

[5]

Domain Adaptation Problems: A DASVM Classification Technique and a Circular Validation Strategy. Lorenzo Bruzzone,Mattia Marconcini. IEEE Transactions on Pattern Analysis and Machine Intelligence . 2010

[6]

A survey on transfer learning. Pan, Sinno Jialin,Yang, Qiang. IEEE Transactions on Knowledge and Data Engineering . 2010

[7]

New support vector algorithms. Scholkopf B,Smola AJ,Williamson RC,et al. Neural Computation . 2000

[8]

From a Gaussian mixture model to additive fuzzy systems. Gan, Ming-Tao,Hanmandlu, Madasu,Tan, Ai Hui. IEEE Transactions on Fuzzy Systems . 2005

[9]

Large margin transductive transfer learning. Quanz B,Huan J. Proc.of the 18th ACM Conf.on Information and Knowledge Management(CIKM) . 2009

[10]

ML型迁移学习模糊系统[J]. 蒋亦樟,邓赵红,王士同. 自动化学报. 2012(09)

← 1 2 →