基于單源及多源的遷移學習方法研究.pdf

1、傳統(tǒng)機器學習技術必須建立在訓練數(shù)據(jù)集和測試數(shù)據(jù)集來自同一分布的樣本集的假設前提下。若測試數(shù)據(jù)集數(shù)據(jù)分布發(fā)生改變，那么就需要重新訓練預測分類器以適應這種變化。然而，新的訓練數(shù)據(jù)集的獲得卻需要付出很高的代價，并且完全丟棄已有的訓練數(shù)據(jù)集也是一件非常浪費的事。遷移學習方法通過利用已有源領域數(shù)據(jù)集的可遷移性知識輔助目標領域預測分類模型的建立，減少了目標領域預測模型建立對于目標領域帶標記數(shù)據(jù)的需求。另外，遷移學習方法的分類效果在很大程度上依賴于源

2、領域與目標領域之間的可遷移性關系，而多源遷移學習方法能夠從多個源領域數(shù)據(jù)集中選擇合適的數(shù)據(jù)集進行知識遷移以減少負遷移,從而避免了單一領域數(shù)據(jù)集可能帶來的風險。
　　論文研究了基于樣本遷移的遷移學習方法，給出了一種基于簡單投票制的樣本遷移學習方法，有效提高了目標領域預測分類器的分類效果。對TrAdaBoost算法進行了權值更新策略方面的改進，解決了TrAdaBoost算法源領域與目標領域樣本權值之間易出現(xiàn)的兩極分化問題。然后以TCA