TL-SVM：一种迁移学习算法

• 作者: 王士同 许敏 顾鑫
• 来源期刊: 控制与决策
• 学科: 工学
• 关键词: 迁移学习 分类 支持向量机
• 年，卷（期）: 2014,（1）
• 所属期刊栏目: 短文
• 页码范围: 141-146
• 页数: 6页
• 分类号: TP273
• 字数: 5919字
• 语种: 中文
• DOI: 10.13195/j.kzyjc.2012.1450

摘要

迁移学习旨在利用大量已标签源域数据解决相关但不相同的目标域问题。当与某领域相关的新领域出现时,若重新标注新领域,则样本代价昂贵,丢弃所有旧领域数据又十分浪费。对此,基于SVM算法提出一种新颖的迁移学习算法--TL-SVM,通过使用目标域少量已标签数据和大量相关领域的旧数据来为目标域构建一个高质量的分类模型,该方法既继承了基于经验风险最小化最大间隔SVM的优点,又弥补了传统SVM不能进行知识迁移的缺陷。实验结果验证了该算法的有效性。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王士同	江南大学数字媒体学院	528	3424	23.0	37.0
2	许敏	江南大学数字媒体学院	45	204	9.0	13.0
6	顾鑫	江南大学数字媒体学院	13	236	8.0	13.0