TrSVM:一种基于领域相似性的迁移学习算法
迁移学习是对传统监督学习的扩展,试图利用其他相关领域中的现存数据来帮助完成当前领域的学习任务。对于归纳式迁移学习算法,当目标领域只有少量数据时,已有的算法容易受到选择性偏差的影响,不能充分发挥相关领域数据的作用。为解决该问题,提出一种利用领域相似性的新途径：通过定义领域弱相似性的概念,将相似性的约束与目标分类器联系起来,能在训练过程中有效利用相关领域的大量数据,设计出一种基于支持向量机的迁移学习算法TrSVM,并给出求解过程。在大量数据集上的实验结果表明了新算法的有效性。
迁移学习 跨领域学习 支持向量机 领域相似性 数据挖掘
洪佳明 印鉴 黄云 刘玉葆 王甲海
中山大学信息科学与技术学院 广州510006
国内会议
上海
中文
1823-1830
2011-10-21（万方平台首次上网日期，不代表论文的发表时间）