软件学报
軟件學報
연건학보
JOURNAL OF SOFTWARE
2012年
9期
2297-2310
,共14页
领域适应学习%多核学习%局部学习%模式分类%最大均值差
領域適應學習%多覈學習%跼部學習%模式分類%最大均值差
영역괄응학습%다핵학습%국부학습%모식분류%최대균치차
领域适应(或跨领域)学习旨在利用源领域(或辅助领域)中带标签样本来学习一种鲁棒的目标分类器,其关键问题在于如何最大化地减小领域间的分布差异.为了有效解决领域间特征分布的变化问题,提出一种三段式多核局部领域适应学习(multiple kernel local leaning-based domain adaptation,简称MKLDA)方法:1)基于最大均值差(maximum mean discrepancy,简称MMD)度量准则和结构风险最小化模型,同时,学习一个再生多核Hilbert空间和一个初始的支持向量机(support vector machine,简称SVM),对目标领域数据进行初始划分；2)在习得的多核Hilbert空间,对目标领域数据的类别信息进行局部重构学习；3)最后,利用学习获得的类别信息,在目标领域训练学习一个鲁棒的目标分类器.实验结果显示,所提方法具有优化或可比较的领域适应学习性能.
領域適應(或跨領域)學習旨在利用源領域(或輔助領域)中帶標籤樣本來學習一種魯棒的目標分類器,其關鍵問題在于如何最大化地減小領域間的分佈差異.為瞭有效解決領域間特徵分佈的變化問題,提齣一種三段式多覈跼部領域適應學習(multiple kernel local leaning-based domain adaptation,簡稱MKLDA)方法:1)基于最大均值差(maximum mean discrepancy,簡稱MMD)度量準則和結構風險最小化模型,同時,學習一箇再生多覈Hilbert空間和一箇初始的支持嚮量機(support vector machine,簡稱SVM),對目標領域數據進行初始劃分；2)在習得的多覈Hilbert空間,對目標領域數據的類彆信息進行跼部重構學習；3)最後,利用學習穫得的類彆信息,在目標領域訓練學習一箇魯棒的目標分類器.實驗結果顯示,所提方法具有優化或可比較的領域適應學習性能.
영역괄응(혹과영역)학습지재이용원영역(혹보조영역)중대표첨양본래학습일충로봉적목표분류기,기관건문제재우여하최대화지감소영역간적분포차이.위료유효해결영역간특정분포적변화문제,제출일충삼단식다핵국부영역괄응학습(multiple kernel local leaning-based domain adaptation,간칭MKLDA)방법:1)기우최대균치차(maximum mean discrepancy,간칭MMD)도량준칙화결구풍험최소화모형,동시,학습일개재생다핵Hilbert공간화일개초시적지지향량궤(support vector machine,간칭SVM),대목표영역수거진행초시화분；2)재습득적다핵Hilbert공간,대목표영역수거적유별신식진행국부중구학습；3)최후,이용학습획득적유별신식,재목표영역훈련학습일개로봉적목표분류기.실험결과현시,소제방법구유우화혹가비교적영역괄응학습성능.
