两阶段领域自适应学习

论文摘要

针对领域自适应问题中源域和目标域的联合分布差异最小化问题,提出两阶段领域自适应学习方法.在第一阶段考虑样本标签和数据结构的判别信息,通过学习一个共享投影变换,使投影后的共享空间中边缘分布的差异最小.第二阶段利用源域标记数据和目标域非标记数据学习一个带结构风险的自适应分类器,不仅能最小化源域和目标域条件分布差异,还能进一步保持源域和目标域边缘分布的流形一致性.在3个基准数据集上的实验表明,文中方法在平均分类准确率和Kappa系数两项评价指标上均表现较优.

论文目录

• 1 相关知识
•   1.1 定义
•   1.2 最大均值差异
• 2 两阶段领域自适应方法
•   2.1 方法思路
•   2.2 低维投影变换
•   2.3 自适应分类器学习
•   2.4 算法步骤
• 3 实验及结果分析
•   3.1 实验数据
•   3.2 实验设置
•   3.3 分类准确率对比
•   3.4 Kappa系数对比
•   3.5 有效性分析
•   3.6 参数敏感性分析与算法收敛性分析
• 4 结 束 语

文章来源

类型: 期刊论文

作者: 田磊,唐永强,张文生

关键词: 领域自适应,两阶段学习,边缘分布适配,条件分布适配,判别信息保留

来源: 模式识别与人工智能 2019年09期

年度: 2019

分类: 信息科技

专业: 自动化技术

单位: 中国科学院自动化研究所精密感知与控制中心,中国科学院大学人工智能学院

基金: 国家自然科学基金项目(No.U1636220,61472423)资助~~

分类号: TP181

DOI: 10.16451/j.cnki.issn1003-6059.201909001

页码: 773-784

总页数: 12

文件大小: 638K

下载量: 100