跨领域分布适配超限学习机及其在域自适应问题的应用

• 作者: 宋士吉 李爽
• 来源期刊: 中国计量大学学报
• 学科: 工学
• 关键词: 模式识别 数据挖掘 域自适应 超限学习机
• 年，卷（期）: 2017,（4）
• 所属期刊栏目: 特约稿
• 页码范围: 409-417
• 页数: 9页
• 分类号: TP181
• 字数: 5485字
• 语种: 中文
• DOI: 10.3969/j.issn.2096-2835.2017.04.001

摘要

域自适应算法是一种能有效解决训练集(源域)和测试集(目标域)样本分布不一样但是具有相关性的方法.文章提出一个跨领域分布适配超限学习机(DDM-ELM)用于解决域自适应问题.DDM-ELM 旨在基于超限学习机的框架下,充分利用丰富的有标签源域样本和无标签目标域样本,得出一个精确的目标域分类器.具体来说,DDM-ELM同时满足以下目标:1)最小化源域样本的分类误差;2)通过最小化投影最大化均值偏差来有效减小源域和目标域的分布差距;3)利用目标域样本的流形正则化来探索目标域样本的几何机构特性.这使得DDM-ELM能在同时继承超限学习机优点的前提下更加适合于目标域样本.经过大量的实验结果证明,相比于几种先进的域自适应方法,DDM-ELM在分类准确率和效率上均有所提高.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李爽	清华大学自动化系	14	289	7.0	14.0
2	宋士吉	清华大学自动化系	30	368	8.0	19.0