基于典型相關分析和協(xié)同訓練的遷移學習研究.pdf

1、傳統(tǒng)機器學習中，通常假設訓練數(shù)據(jù)與測試數(shù)據(jù)的分布具有一致性，而且訓練數(shù)據(jù)是基本充足的。隨著機器學習的廣泛應用，遇到的很多問題中訓練數(shù)據(jù)與測試數(shù)據(jù)分布不同，或者可用的訓練數(shù)據(jù)不足以訓練一個好的分類器。遷移學習是解決這類問題的方法之一，該領域的研究具有較高的學術價值。
　　遷移學習算法因為顯著提高了學習效果而被廣泛研究和使用。但是研究發(fā)現(xiàn)算法的權值更新策略會導致訓練樣本整體上的權值漂移問題，而且算法對源域和目標域樣本分布相似性要求較高

2、。論文改進了權值更新策略，在每一輪訓練中，同時利用每一輪源域和目標域樣本上的誤差來更新訓練樣本的權值，再進行下一輪迭代訓練。迭代完成之后，再用集成學習的方法得到一個較好的分類器。給出的新方法改善了遷移學習算法的權值漂移問題，而且減弱了源域和目標域相似性較高的約束。
　　在很多實際問題中，可以用多個不同的方法或從不同的角度對同一事物進行描述，這些不同描述就構成了事物的多個不同視圖。研究視圖間的關系來幫助遷移學習具有一定的理論意義。論

3、文利用典型相關分析處理訓練數(shù)據(jù)，利用特征融合方法組成新的視圖，再進行遷移學習。給出的算法利用了多視圖數(shù)據(jù)間的關系，改善了遷移學習效果。
　　協(xié)同訓練是多視圖問題中的經(jīng)典方法，協(xié)同訓練和遷移學習的結合具有研究價值。論文利用協(xié)同訓練的思想，在遷移學習每一輪的訓練過程中，在兩個視圖上進行協(xié)同更新訓練樣本權值，再進行下一輪迭代訓練，最后用集成的方法得到一個較好的分類器。給出的基于協(xié)同訓練思想的多視圖遷移學習算法較好的利用了協(xié)同訓練的思想，