本文選題：在線學(xué)習(xí)　切入點(diǎn)：遷移學(xué)習(xí)　出處：《軟件學(xué)報(bào)》2017年11期 　論文類型：期刊論文

【摘要】：近年來,遷移學(xué)習(xí)得到越來越多的關(guān)注.現(xiàn)有的在線遷移學(xué)習(xí)算法一般從單個(gè)源領(lǐng)域遷移知識(shí),然而,當(dāng)源領(lǐng)域與目標(biāo)領(lǐng)域相似度較低時(shí),很難進(jìn)行有效的遷移學(xué)習(xí).基于此,提出了一種基于局部分類精度的多源在線遷移學(xué)習(xí)方法——LC-MSOTL.LC-MSOTL存儲(chǔ)多個(gè)源領(lǐng)域分類器,計(jì)算新到樣本與目標(biāo)領(lǐng)域已有樣本之間的距離以及各源領(lǐng)域分類器對(duì)其最近鄰樣本的分類精度,從源領(lǐng)域分類器中挑選局部精度最高的分類器與目標(biāo)領(lǐng)域分類器加權(quán)組合,從而實(shí)現(xiàn)多個(gè)源領(lǐng)域知識(shí)到目標(biāo)領(lǐng)域的遷移學(xué)習(xí).在人工數(shù)據(jù)集和實(shí)際數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,LC-MSOTL能夠有效地從多個(gè)源領(lǐng)域?qū)崿F(xiàn)選擇性遷移,相對(duì)于單源在線遷移學(xué)習(xí)算法OTL,顯示出了更高的分類準(zhǔn)確率.
[Abstract]:In recent years, transfer learning has attracted more and more attention. The existing online transfer learning algorithms generally migrate knowledge from a single source domain. However, when the similarity between the source domain and the target domain is low, it is difficult to carry out effective transfer learning. In this paper, a multi-source online migration learning method based on local classification accuracy is proposed. LC-MSOTL.LC-MSOTL stores multiple source domain classifiers. The distance between the new sample and the existing sample of the target domain and the classification accuracy of the nearest neighbor samples of each source domain classifier are calculated, and the weighted combination of the local best classifier and the target domain classifier is selected from the source domain classifier. The experimental results on artificial data sets and actual data sets show that LC-MSOTL can effectively achieve selective migration from multiple source domains. Compared with single source online migration learning algorithm OTL, the classification accuracy is higher.
【作者單位】： 桂林電子科技大學(xué)計(jì)算機(jī)與信息安全學(xué)院;桂林電子科技大學(xué)廣西可信軟件重點(diǎn)實(shí)驗(yàn)室;
【分類號(hào)】：TP181

【相似文獻(xiàn)】

相關(guān)會(huì)議論文 前10條

1 王占一;徐蔚然;劉東鑫;郭軍;;一種基于兩級(jí)分類器的垃圾短信過濾方法[A];第五屆全國信息檢索學(xué)術(shù)會(huì)議論文集[C];2009年

2 翟靜;李海宏;唐常杰;陳敏敏;李智;;可驗(yàn)證對(duì)象集分類器的再訓(xùn)練演進(jìn)[A];第十九屆全國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（研究報(bào)告篇）[C];2002年

3 陳繼航;劉家鋒;趙巍;唐降龍;;聯(lián)機(jī)手寫識(shí)別筆段特征分類器的學(xué)習(xí)方法[A];黑龍江省計(jì)算機(jī)學(xué)會(huì)2009年學(xué)術(shù)交流年會(huì)論文集[C];2010年

4 穆明生;;基于特征集的多種分類器模型的在線筆跡認(rèn)證[A];第十屆全國信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2001）論文集[C];2001年

5 彭濤;左萬利;赫楓齡;;基于鏈接上下文的分類器主題爬行技術(shù)(英文)[A];第二十三屆中國數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2006年

6 王嵐;陳珂;遲惠生;;基于多特征組合多分類器的方法用于“與文本無關(guān)”的說話人辨認(rèn)[A];第四屆全國人機(jī)語音通訊學(xué)術(shù)會(huì)議論文集[C];1996年

7 謝秋玲;;應(yīng)用于心電圖分類的KNN-SVM分類器研究[A];2006中國控制與決策學(xué)術(shù)年會(huì)論文集[C];2006年

8 胡瓊;汪榮貴;胡韋偉;孫見青;;基于級(jí)聯(lián)分類器的快速人臉檢測(cè)方法[A];計(jì)算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國第18屆計(jì)算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會(huì)議論文集[C];2007年

9 李蘭春;王雙成;杜瑞杰;;認(rèn)知結(jié)構(gòu)評(píng)估的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)分類器方法[A];2011年中國智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第一分冊(cè)）[C];2011年

10 邵小健;段華;賀國平;;一種改進(jìn)的最少核分類器[A];中國運(yùn)籌學(xué)會(huì)第七屆學(xué)術(shù)交流會(huì)論文集（上卷）[C];2004年

相關(guān)重要報(bào)紙文章 前1條

1 黃明;精子分類器決定生男生女[N];廣東科技報(bào);2000年

相關(guān)博士學(xué)位論文 前10條

1 張非;對(duì)抗逃避攻擊的防守策略研究[D];華南理工大學(xué);2015年

2 張文博;多類別智能分類器方法研究[D];西安電子科技大學(xué);2014年

3 許勁松;智能交通中目標(biāo)檢測(cè)與分類關(guān)鍵技術(shù)研究[D];南京理工大學(xué);2014年

4 趙作林;基于圖像分析的北京地區(qū)楊樹種類識(shí)別研究[D];北京林業(yè)大學(xué);2015年

5 任亞峰;基于標(biāo)注和未標(biāo)注數(shù)椐的虛假評(píng)論識(shí)別研究[D];武漢大學(xué);2015年

6 曹鵬;不均衡數(shù)據(jù)分類方法的研究[D];東北大學(xué);2014年

7 劉明;分類器組合技術(shù)研究及其在人機(jī)交互系統(tǒng)中的應(yīng)用[D];北京交通大學(xué);2008年

8 嚴(yán)志永;在劃分?jǐn)?shù)據(jù)空間的視角下基于決策邊界的分類器研究[D];浙江大學(xué);2011年

9 王U，

本文編號(hào)：1627303