-
公开(公告)号：CN110705591A
公开(公告)日：2020-01-17
申请号：CN201910825981.6
申请日：2019-09-03
申请人： 华南理工大学
摘要： 本发明公开了一种基于最优子空间的异构迁移学习方法。所述方法包括：从数据库中取出用于异构迁移学习的源域和目标域数据；基于典型关联分析和多分类损失函数构建模型，使得目标函数表现为既能找出两个域最关联的特征映射子空间，又能使该特征空间中的特征具有强分类能力；对目标函数进行等价转化，以简化模型；对简化后的模型进行处理，使用交替方向乘子法将整个模型的优化问题分为三个子问题，求解得到三个子问题中参数变量的更新解；最后对整个问题进行迭代更新以收敛到最优。该方法较好的结合了知识迁移能力以及模型分类能力两个特点，并能较好的用于困难的异构迁移学习场景，在实际场景的应用中有很强的分类学习和数据标注能力。
-
公开(公告)号：CN111062406B
公开(公告)日：2023-11-28
申请号：CN201910826004.8
申请日：2019-09-03
申请人： 华南理工大学
IPC分类号： G06F18/214 , G06F18/24 , G06F18/2411 , G06N3/0895 , G06N3/084 , G06N3/096
摘要： 本发明公开了一种面向异构领域适应的半监督最优传输方法。本方法首先根据半监督优化的Gromov‑Wasserstein差异（SGW）度量两个领域分布的差异程度;然后采用基于相对熵的投影梯度下降法迭代求解直到传输矩阵的参数值更新小于一定限度，收敛的传输矩阵能将源域的数据分布有效转移至目标域分布当中;最后根据转移后的源域数据对未标注的目标域数据进行预测。该方法考虑了最优传输在特征空间不同的异构数据中的应用并对半监督场景作了适应性优化，在实际应用中在多种领域数据的信息迁移学习场景展现出良好的性能。
-
公开(公告)号：CN110569985A
公开(公告)日：2019-12-13
申请号：CN201910820027.8
申请日：2019-08-31
申请人： 华南理工大学
IPC分类号： G06N20/20
摘要： 本发明公开了基于在线和离线决策集成学习的在线异构迁移学习的方法。所述方法包括：初始化离线和在线决策模型的相关参数。对于在线每次得到的新目标数据，结合已有的源域数据和关联源域和目标域数据的共现数据，分别计算源域数据和共现数据、目标域数据和共现数据的皮尔森相关系数，以此得到异构的源域数据和目标域数据的相似性；然后对于每次迭代的目标域数据，选取与其最相似的k个源域数据，基于它们构建对目标数据的离线决策模型；而在线模型只用依次得到的目标数据构建简单的线性决策模型。最后对在线和离线模型进行组合，通过预测目标数据计算损失函数更新决策模型，并对每次得到的在线目标数据循环上述做法。本发明能够很好的对动态在线的数据进行预测。
-
公开(公告)号：CN111062406A
公开(公告)日：2020-04-24
申请号：CN201910826004.8
申请日：2019-09-03
申请人： 华南理工大学
IPC分类号： G06K9/62
摘要： 本发明公开了一种面向异构领域适应的半监督最优传输方法。本方法首先根据半监督优化的Gromov-Wasserstein差异（SGW）度量两个领域分布的差异程度;然后采用基于相对熵的投影梯度下降法迭代求解直到传输矩阵的参数值更新小于一定限度，收敛的传输矩阵能将源域的数据分布有效转移至目标域分布当中;最后根据转移后的源域数据对未标注的目标域数据进行预测。该方法考虑了最优传输在特征空间不同的异构数据中的应用并对半监督场景作了适应性优化，在实际应用中在多种领域数据的信息迁移学习场景展现出良好的性能。
-
-
-
搜索结果
4 条记录 (耗时 0.022 秒)
