本文選題：遷移度量學(xué)習(xí) + 層次K-均值聚類�。� 參考：《計算機應(yīng)用研究》2017年12期

【摘要】：目前的遷移學(xué)習(xí)方法多針對單一遷移類型,使用低級特征空間,并且源集比目標(biāo)集復(fù)雜耗力。針對這些問題,綜合考慮特征表示遷移、參數(shù)遷移和實例遷移,提出遷移度量學(xué)習(xí)的通用框架。首先,基于屬性相似性空間和類別相似性空間,利用層次K-均值聚類獲取相似性;然后,利用信任評估框架和去相關(guān)歸一化轉(zhuǎn)換方法消除源集中的相關(guān)關(guān)系來抑制負(fù)遷移作用;最后,改進信息理論度量學(xué)習(xí)方法(ITML)進行相似性度量學(xué)習(xí)。對三種不同復(fù)雜度數(shù)據(jù)集進行實驗,結(jié)果表明,提出方法的遷移學(xué)習(xí)性能較傳統(tǒng)方法明顯提高,且對負(fù)遷移影響具有更好的魯棒性;提出的方法可應(yīng)用于源集比目標(biāo)集簡單的情況,評估結(jié)果表明,即使源集知識有限,也可以得到較好的遷移學(xué)習(xí)效果。
[Abstract]:Most of the current transfer learning methods aim at a single migration type, use low-level feature space, and the source set is more complex than the target set. In order to solve these problems, a general framework of migration metric learning is proposed by considering feature representation migration, parameter migration and instance migration. Firstly, based on attribute similarity space and class similarity space, hierarchical K-means clustering is used to obtain similarity, then trust assessment framework and de-correlation normalized transformation method are used to eliminate the correlation relation in source set to suppress negative migration. Finally, we improve the information theory metric learning method (ITML) for similarity measurement learning. Experiments on three kinds of data sets with different complexity show that the performance of the proposed method is better than that of the traditional method, and it is more robust to the influence of negative migration. The proposed method can be applied to the case where the source set is simpler than the target set. The evaluation results show that even if the source set knowledge is limited, the transfer learning effect can be achieved.
【作者單位】： 廣西科技師范學(xué)院數(shù)學(xué)與計算機科學(xué)學(xué)院;武漢大學(xué)軟件工程國家重點實驗室;武漢理工大學(xué)信息工程學(xué)院;
【基金】：國家自然科學(xué)基金資助項目(61202143) 廣西自然科學(xué)基金資助項目(2014GXNSFAA118027)
【分類號】：TP181

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 武小紅;周建江;;聯(lián)合模糊c-均值聚類模型(英文)[J];Transactions of Nanjing University of Aeronautics & Astronautics;2006年03期

2 孔銳,張國宣,施澤生,郭立;基于核的K-均值聚類[J];計算機工程;2004年11期

3 武小紅;何光普;李敏;;新的改進型可能C-均值聚類[J];吉林大學(xué)學(xué)報(工學(xué)版);2008年S2期

4 安愛芬;;一種加速的k-均值聚類方法[J];韶關(guān)學(xué)院學(xué)報;2012年12期

5 王秀華;;一種并行的加速k-均值聚類方法[J];電腦知識與技術(shù);2013年18期

6 武小紅;周建江;李海林;胡彩平;;基于非歐式距離的可能性C-均值聚類[J];南京航空航天大學(xué)學(xué)報;2006年06期

7 王學(xué)恩;韓德強;韓崇昭;;采用不確定性度量的粗糙模糊C均值聚類參數(shù)獲取方法[J];西安交通大學(xué)學(xué)報;2013年06期

8 王秀華;;基于隨機抽樣的加速K-均值聚類方法[J];計算機與現(xiàn)代化;2013年12期

9 張君昌;李明;谷衛(wèi)東;;融合減法聚類與C-均值聚類的目標(biāo)定位方法[J];計算機仿真;2012年07期

10 鄭蕓蕓;王萍;游強華;;基于k-均值聚類的樸素貝葉斯分類算法[J];福建電腦;2013年11期

中國重要會議論文全文數(shù)據(jù)庫 前5條

1 陳彪;徐捷;;基于遺傳算子和粒子群混合的K均值聚類方法[A];2009年中國智能自動化會議論文集（第三分冊）[C];2009年

2 杜方鍵;楊宏暉;;K均值聚類優(yōu)化集成學(xué)習(xí)[A];2011'中國西部聲學(xué)學(xué)術(shù)交流會論文集[C];2011年

3 周霄鵬;齊瑞云;;一種基于改進型可能性C-均值聚類和故障向量的未知類型故障診斷方法[A];第24屆中國控制與決策會議論文集[C];2012年

4 楊春梅;萬柏坤;丁北生;;數(shù)據(jù)預(yù)處理和初始化方法對K-均值聚類的影響[A];中國儀器儀表學(xué)會第五屆青年學(xué)術(shù)會議論文集[C];2003年

5 王啟志;王曉霞;;基于模糊C均值聚類的故障診斷[A];2008中國儀器儀表與測控技術(shù)進展大會論文集（Ⅲ）[C];2008年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 趙偉剛;基于數(shù)據(jù)預(yù)處理和K-均值聚類的支持向量回歸預(yù)測模型[D];蘭州大學(xué);2012年

2 姜麗;模糊C均值聚類的理論與應(yīng)用研究[D];浙江工商大學(xué);2010年

，

本文編號：2087459