文献类型：期刊文章

作　　者：蔡瑞初[1] 李嘉豪[1] 郝志峰[1,2]

Cai Ruichu;Li Jiahao;Hao Zhifeng(School of Computers,Guangdong University of Technology,Guangzhou 510006,China;College of Mathematics&Big Data,Foshan University,Foshan Guangdong 528225,China)

机构地区：[1]广东工业大学计算机学院,广州510006 [2]佛山科学技术学院数学与大数据学院,广东佛山528225

出　　处：《计算机应用研究》

基　　金：NSFC—广东联合基金资助项目(U1501254);国家自然科学基金资助项目(61876043,61472089);广东省自然科学基金资助项目(2014A030306004,2014A030308008);广东省科技计划资助项目(2015B010108006,2015B010131015);广东特支计划资助项目(2015TQ01X140);广州市珠江科技新星项目(201610010101);广州市科技计划资助项目(201604016075)。

年　　份：2020

卷　　号：37

期　　号：8

起止页码：2371-2375

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSCD、CSCD_E2019_2020、IC、JST、RCCSE、UPD、ZGKJHX、ZMATH、核心刊

摘　　要：传统的无监督领域自适应算法在对齐总体分布时存在分类信息流失问题,难以保证迁移学习效果。针对这个问题,提出了一种基于类内最大均值差异的分布对齐策略。该策略首先预测所有样本的伪标签,然后借助伪标签样本信息依次对齐每个类别的领域类内分布。在深度学习框架下,所提算法能够有效保留分类信息,提高了目标领域的预测能力。实验结果表明,与传统算法比较,所提算法在多个基准数据集上获得了最优的迁移学习效果。

关 键 词：领域自适应 无监督学习 神经网络 最大均值差异  

分 类 号：TP301.6]