多源域分布下优化权重的无监督迁移学习Boosting方法

来源：计算机应用研究杂志2023年第2期北京时间：

作者：李赟波,王士同,

单位：江南大学a.人工智能与计算机学院;b.江苏省物联网应用技术重点建设实验室,江苏无锡214122；

摘要：深度决策树迁移学习Boosting方法（DTrBoost）可以有效地实现单源域有监督情况下向一个目标域迁移学习，但无法实现多个源域情况下的无监督迁移场景。针对这一问题，提出了多源域分布下优化权重的无监督迁移学习Boosting方法，主要思想是根据不同源域与目标域分布情况计算出对应的KL值，通过比较选择合适数量的不同源域样本训练分类器并对目标域样本打上伪标签。最后，依照各个不同源域的KL距离分配不同的学习权重，将带标签的各个源域样本与带伪标签的目标域进行集成训练得到最终结果。对比实验表明，提出的算法实现了更好的分类精度并对不同的数据集实现了自适应效果，分类错误率平均下降2.4%，在效果最好的marketing数据集上下降6%以上。

关键词：深度决策树迁移学习(DTrBoost),迁移学习,无监督学习,决策树,

基金资助：国家自然科学基金资助项目(61972181)；；