基于K-means聚类的子结构相关适配迁移学习方法

TP181; 域漂移严重影响了传统机器学习方法的性能,现有的领域自适应方法主要通过全局、类级或样本级分布匹配自适应地调整跨域表示.但全局匹配和类级匹配过于粗糙会导致自适应不足,而样本级匹配受到噪声的影响可能导致过度自适应.基于此,提出了一种基于K均值(K-means)聚类的子结构相关适配(SCOAD)迁移学习算法,首先通过 K-means 聚类分别获得源域和目标域的多个子域,其次寻求子域中心二阶统计量的匹配,最后利用子域内结构对目标域样本进行分类.该方法在传统方法的基础上进一步提高了源域与目标域之间知识迁移的性能.在常用迁移学习数据集上的实验结果表明了所提方法的有效性....

Full description

Saved in:
Bibliographic Details
Published in电信科学 Vol. 39; no. 3; pp. 124 - 134
Main Authors 刘昊双, 张永, 曹莹波
Format Journal Article
LanguageChinese
Published 辽宁师范大学计算机与信息技术学院,辽宁 大连 116081%湖州师范学院信息工程学院,浙江 湖州 313000 2023
浙江省现代农业资源智慧管理与应用研究重点实验室,浙江 湖州 313000
Subjects
聚类
领域自适应
子结构适配
迁移学习
Online AccessGet full text

Cover

More Information
Summary:TP181; 域漂移严重影响了传统机器学习方法的性能,现有的领域自适应方法主要通过全局、类级或样本级分布匹配自适应地调整跨域表示.但全局匹配和类级匹配过于粗糙会导致自适应不足,而样本级匹配受到噪声的影响可能导致过度自适应.基于此,提出了一种基于K均值(K-means)聚类的子结构相关适配(SCOAD)迁移学习算法,首先通过 K-means 聚类分别获得源域和目标域的多个子域,其次寻求子域中心二阶统计量的匹配,最后利用子域内结构对目标域样本进行分类.该方法在传统方法的基础上进一步提高了源域与目标域之间知识迁移的性能.在常用迁移学习数据集上的实验结果表明了所提方法的有效性.
ISSN:1000-0801
DOI:10.11959/j.issn.1000-0801.2023045