可迁移测度准则下的协变量偏移修正多源集成方法

来源：电子与信息学报杂志2015年第12期北京时间：

作者：杨兴明, 吴克伟, 孙永宣, 谢昭

摘要：迁移学习通过充分利用源域共享知识，实现对目标域的小样本问题求解，然而，对训练和测试样本分布差异测度仍然是该领域的主要挑战。该文针对多源迁移学习算法中，由于源域选择和源域辅助样本选择不当引起的负迁移问题进行研究，提出一种可迁移测度准则下的协变量偏移修正多源集成方法。首先，根据源域和目标域之间的协变量偏移原则，利用联合概率的密度估计，定义辅助样本的可迁移测度，验证目标域和源域在数据空间中标记分布的一致性。其次，在多源域选择阶段，引入非迁移判别过程，提高了源域知识的迁移准确性。最后，在Caltech 256数据集中，验证了Gist特征知识表示和迁移的有效性，分析了多种条件下的辅助样本选择和源域选择的有效性。实验结果表明所提算法可有效降低负迁移现象的发生，获得更好的迁移学习性能

关键词：集成学习, 迁移学习, 协变量偏移, 图像分类

基金资助：国家自然科学基金(60905005, 61273237)