融合迁移学习的TranCo-Training分类模型*

• 作者: 于立萍 唐焕玲 鲁明羽
• 来源期刊: 模式识别与人工智能
• 学科: 工学
• 关键词: 迁移学习 半监督学习 协同训练 朴素贝叶斯 文本分类
• 年，卷（期）: 2013,（5）
• 页码范围: 432-439
• 页数: 8页
• 分类号: TP181
• 字数: 6097字
• 语种: 中文

摘要

@@@@半监督学习中当未标注样本与标注样本分布不同时,将导致分类器偏离目标数据的主题,降低分类器的正确性。文中采用迁移学习技术,提出一种TranCo-Training分类模型。每次迭代,根据每个未标注样本与其近邻标注样本的分类一致性计算其迁移能力,并根据迁移能力从辅助数据集向目标数据集迁移实例。理论分析表明,辅助样本的迁移能力与其训练错误损失成反比,该方法能将训练错误损失最小化,避免负迁移,从而解决半监督学习中的主题偏离问题。实验表明,TranCo-Training优于随机选择未标注样本的RdCo-Training算法,尤其是给定少量的标注目标样本和大量的辅助未标注样本时。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	鲁明羽	大连海事大学信息科学技术学院	42	574	11.0	23.0
2	唐焕玲	山东省高校智能信息处理重点实验室山东工商学院	1	4	1.0	1.0
3	于立萍	山东省高校智能信息处理重点实验室山东工商学院	1	4	1.0	1.0