具有协同约束的共生迁移学习算法研究-论文.pdf

《具有协同约束的共生迁移学习算法研究-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第3期电子学报Vo142No．32014年3月ACrAEICTR0NICASINICAMar．2O14具有协同约束的共生迁移学习算法研究张景祥，一，王士同，邓赵红，李奕，蒋亦樟(1．江南大学数字媒体学院，江苏无锡214122；2．江南大学理学院，江苏无锡214122)摘要：传统迁移学习方法通常直接利用相关领域中的数据来辅助完成当前领域的学习任务，而忽略了领域间互相学习的能力．针对此类问题，提出了一种具有协同约束的共生迁移学习方法(CollaborativeConstraintsbasedSymbiosisTransferLe

2、arning，CCSTL)．在协同约束的基础上，引入共生迁移机制实现领域间的交替互动学习，进而实现源领域和目标领域间的知识迁移，从而提高受训分类器的分类性能．在模拟数据和真实数据集上的实验结果表明了新算法的有效性．关键词：协同约束；共生迁移学习；分类；支持向量机中图分类号：TP391文献标识码：A文章编号：0372．2112(2014)03—0556—05电子学报URL：http：／／www．ejourna1．org．ellDOI：10．3969／j．issn．0372—2112．2014．03．020SymbiosisTr

3、ansferLearningMethodwithCollaborativeConstraintsZHANGjing_xiangl,2,WANGShi．tong，DENGZhao．hong，LIYi，JIANGYi—zhang(1．SchoolofDigitalMedia，．University，Wuxi，Jiangsu214122，China；2．SchoolofScience，Jiangn~University，Wuxi，Jia~su214122，China)Abstract：Transferlearningalgorit

4、hmsusuallyfocusonmusingdataofrelateddomainstohelpsolvingthelearningtasksinthetargetdomain．However，thesemethodsignoretheabilityofmutuallearningbetweendomains．Inthispaper，acollaborativecon—straintbasedsymbiosistransferlearningmethod(CCSrL)isproposed．Symbiotictransfer

5、mechanismisusedtoimplementmutuallearningamongdomainsalongwiththecollaborativeconstraint．Withthehelpoftheiterativeopfimizations，theproposedmethodcanrealizeknowledgefansferbetwenthesourceandtargetdomains．Experimentalresultsonsyntheticandrealworlddatasetsshowthesuperi

6、ororcomparableperformanceoftheproposedalgorithmcomparedwithexistingalgorithms．Keywords：colaborativeconslraints；symbiosistransferlearning；classification；supportvectormachine不足之处：不论是基于源领域数据选择和加权的迁移学1引言习，还是基于共同特征表示的迁移学习，都强调目标领迁移学习方法的提出在机器学习领域生产了巨大域对源领域信息的提取和学习，而没有考虑领域

7、间互相的影响llJ．根据领域和任务的不同设置，迁移学习通学习的问题，即忽略了源领域和目标领域问的互动学常被分成三类：归纳式迁移学习、直推式迁移学习和无习．由于不同域之间的互动在学习中是很有意义的，因监督迁移学习．为了提高迁移学习的效率，学者们从不此在迁移学习过程适度地考虑不同领域之问的互动是同角度提出很多策略，大致分为两类：一类是选取源领有必要的．域相关的训练样本，直接应用到目标领域的学习任务因此，本文提出了一种具有协同约束的共生迁移学中，并通过在学习过程添加适当约束条件和样本加权来习(CollaborativeConstm

8、intsbasedSymbiosisTransferLearn—强化样本的选择和使用，从而提高目标领域模型的可靠ing，CCSTL)算法．CCSTL是一个交替迭代迁移学习的过度．具有代表性的工作有：LP—SVMl4J，LWEI5等方法；另程，首先利用源领域数据训练得到的分类器对目标领域外一