用于域适应的多边缘降噪自动编码器

• 作者: 张玉红 杨帅 胡学钢
• 来源期刊: 计算机科学与探索
• 学科: 工学
• 关键词: 情感分类 跨领域 噪音 边缘堆叠降噪自动编码器(mSDA)
• 年，卷（期）: 2019,（2）
• 所属期刊栏目: 人工智能与模式识别
• 页码范围: 322-329
• 页数: 8页
• 分类号: TP183
• 字数: 5983字
• 语种: 中文

摘要

神经网络模型被广泛用于跨领域分类学习.边缘堆叠降噪自动编码器(marginalized stacked denoising autoencoders,mSDA)作为一种神经网络模型,通过对源领域和目标领域数据进行边缘化加噪损坏,学习一个公共的、健壮的特征表示空间,从而解决领域适应问题.然而,mSDA对所有的特征都采取相同的边缘化加噪处理方式,没有考虑到不同特征对分类结果的影响不同.为此,对特征进行区分性的噪音系数干扰,提出多边缘降噪自动编码器(multi-marginalized denoising autoencoders,M-MDA).首先,利用改进的权重似然率(weighted log-likelihood ratio update,WLLRU)区分出领域间的共享和特有特征;然后,通过计算特征在两个领域的距离,对共享特征和特有特征进行不同方式的边缘化降噪处理,并基于单层边缘降噪自动编码器(marginalized denoising autoencoders,MDA)学习获取更健壮的特征;最后,对新的特征空间进行二次损坏以强化共享特征的比例.实验结果表明,该方法在跨领域情感分类方面优于基线算法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	胡学钢	合肥工业大学计算机与信息学院	314	3156	27.0	39.0
2	张玉红	合肥工业大学计算机与信息学院	32	260	10.0	14.0
3	杨帅	合肥工业大学计算机与信息学院	4	6	2.0	2.0