共享隐空间迁移SVM

• 作者: 王士同 董爱美
• 来源期刊: 自动化学报
• 关键词: 迁移学习 大间隔分类器 隐空间 支持向量机
• 年，卷（期）: 2014,（10）
• 页码范围: 2276-2287
• 页数: 12页
• 字数: 9967字
• 语种: 中文
• DOI: 10.3724/SP.J.1004.2014.02276

摘要

在机器学习中,迁移学习被证明能有效使用一个领域信息提高另一个领域中受训模型的分类精度。迁移学习总是假设相关领域间共享某些隐含因素,但在当前的迁移学习方法中,该部分隐含因素依然未得到充分探讨。本研究引入低维共享隐空间的迁移学习方法,基于经典支持向量机(Support vector machine, SVM)分类模型得到融入共享隐空间的迁移支持向量机,该模型较以往相关方法能更好地利用隐空间这一有效信息,从而提高所得分类器的泛化性能。相关实验结果亦验证了所提方法的有效性。

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	董爱美	江南大学数字媒体学院	6	34	3.0	5.0