基于压缩编码的迁移学习算法研究

• 作者: 邵浩
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 压缩编码 分类 负面迁移 迁移学习
• 年，卷（期）: 2018,（3）
• 所属期刊栏目: 模式识别与人工智能
• 页码范围: 142-149,183
• 页数: 9页
• 分类号: TP301
• 字数: 8961字
• 语种: 中文
• DOI: 10.3778/j.issn.1002-8331.1608-0396

摘要

在生产实际中,一个新的任务通常和已有任务存在一定的联系.迁移学习方法可以将已有数据集中的有用信息,迁移到新的任务,以减少重新建模过程中大量的时间和费用消耗.然而,由于任务之间的分布差异,在异构环境下如何避免负面迁移问题,仍未得到有效的解决.除了要衡量数据间的相似性,还需要衡量实例间的相关性,而大多数传统方法仅在一个层面进行操作.提出了基于压缩编码的迁移学习方法(TLCC),建立了两个层面的算法模型,具体来说,在数据层面,数据间的相似性可以表示为超平面分类器的编码长度,而在实例层面,通过进一步挑选出有价值的实例进行迁移,提升算法性能,避免负面迁移的发生.实验结果表明,提出的算法相比其他算法具有明显的优势,在噪声环境下也有较高的准确度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	邵浩		2	1	1.0	1.0