现有的领域自适应方法在定义领域间分布距离时,通常仅从领域样本的整体分布上考虑,而未对带类标签的领域样本分布分别进行考虑,从而在一些具有非平衡数据集的应用领域上表现出一定的局限性.对此,在充分考虑源领域样本类信息的基础上,基...现有的领域自适应方法在定义领域间分布距离时,通常仅从领域样本的整体分布上考虑,而未对带类标签的领域样本分布分别进行考虑,从而在一些具有非平衡数据集的应用领域上表现出一定的局限性.对此,在充分考虑源领域样本类信息的基础上,基于结构风险最小化模型,提出了基于类分布的领域自适应支持向量机(Domain adaptation support vector machine based on class distribution,CDASVM),并将其拓展为可处理多源问题的多源领域自适应支持向量机(CDASVM from multiple sources,MSCDASVM),在人造和真实的非平衡数据集上的实验结果表明,所提方法只有优化或可比较的模式分类性能.展开更多
基金Supported partially by the NSF(61877039)the NSFC/RGC Joint Research Scheme of China(12061160462 and N_CityU102/20)the NSF of Zhejiang Province(LY19F020013)。
文摘现有的领域自适应方法在定义领域间分布距离时,通常仅从领域样本的整体分布上考虑,而未对带类标签的领域样本分布分别进行考虑,从而在一些具有非平衡数据集的应用领域上表现出一定的局限性.对此,在充分考虑源领域样本类信息的基础上,基于结构风险最小化模型,提出了基于类分布的领域自适应支持向量机(Domain adaptation support vector machine based on class distribution,CDASVM),并将其拓展为可处理多源问题的多源领域自适应支持向量机(CDASVM from multiple sources,MSCDASVM),在人造和真实的非平衡数据集上的实验结果表明,所提方法只有优化或可比较的模式分类性能.
