文献类型：期刊文章

作　　者：杨柳[1,2,3] 景丽萍[1] 于剑[1]

机构地区：[1]交通数据分析与挖掘北京市重点实验室(北京交通大学),北京100044 [2]河北大学数学与信息科学学院,河北保定071000 [3]河北省机器学习与计算智能重点实验室(河北大学),河北保定071000

出　　处：《软件学报》

基　　金：国家自然科学基金(61375062;61370129);高等学校博士学科点专项科研基金(20120009110006);中央高校基本科研业务费专项基金(2014JBM029);河北省科技厅科技计划(13210347);河北省教育厅资助项目(QN20131006);CCF-腾讯科研基金

年　　份：2015

卷　　号：26

期　　号：11

起止页码：2762-2780

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CSA、CSA-PROQEUST、CSCD、CSCD2015_2016、EI(收录号：20154801627125)、IC、INSPEC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：目标领域已有类别标注的数据较少时会影响学习性能,而与之相关的其他源领域中存在一些已标注数据.迁移学习针对这一情况,提出将与目标领域不同但相关的源领域上学习到的知识应用到目标领域.在实际应用中,例如文本-图像、跨语言迁移学习等,源领域和目标领域的特征空间是不相同的,这就是异构迁移学习.关注的重点是利用源领域中已标注的数据来提高目标领域中未标注数据的学习性能,这种情况是异构直推式迁移学习.因为源领域和目标领域的特征空间不同,异构迁移学习的一个关键问题是学习从源领域到目标领域的映射函数.提出采用无监督匹配源领域和目标领域的特征空间的方法来学习映射函数.学到的映射函数可以把源领域中的数据在目标领域中重新表示.这样,重表示之后的已标注源领域数据可以被迁移到目标领域中.因此,可以采用标准的机器学习方法(例如支持向量机方法)来训练分类器,以对目标领域中未标注的数据进行类别预测.给出一个概率解释以说明其对数据中的一些噪声是具有鲁棒性的.同时还推导了一个样本复杂度的边界,也就是寻找映射函数时需要的样本数.在4个实际的数据库上的实验结果,展示了该方法的有效性.

关 键 词：异构迁移学习  直推式迁移学习  异构特征空间  映射函数

分 类 号：TP181]