针对现有迁移学习中源域和目标域具有分布不一致数据的问题,通过采用一种选择性最大均值偏差度量方法,将源域中部分相关数据子集用于构建迁移知识,提出选择性的直推式迁移学习方法 (selective transductive transfer learning,STTL)。...针对现有迁移学习中源域和目标域具有分布不一致数据的问题,通过采用一种选择性最大均值偏差度量方法,将源域中部分相关数据子集用于构建迁移知识,提出选择性的直推式迁移学习方法 (selective transductive transfer learning,STTL)。选出与目标域分布相似的数据用于迁移学习,避免使用不相关源域数据带来的负迁移效应,实现标签数据不足情况下目标域数据的有效建模。实验结果表明,所提方法在模拟和真实数据集上的实验精度优于其它方法。展开更多
文摘针对现有迁移学习中源域和目标域具有分布不一致数据的问题,通过采用一种选择性最大均值偏差度量方法,将源域中部分相关数据子集用于构建迁移知识,提出选择性的直推式迁移学习方法 (selective transductive transfer learning,STTL)。选出与目标域分布相似的数据用于迁移学习,避免使用不相关源域数据带来的负迁移效应,实现标签数据不足情况下目标域数据的有效建模。实验结果表明,所提方法在模拟和真实数据集上的实验精度优于其它方法。
