稀疏标签传播:一种鲁棒的领域适应学习方法

来源：软件学报杂志2015年第5期北京时间：

作者：陶剑文,Fu-Lai CHUNG,王士同,姚奇富

单位：陶剑文，浙江大学 宁波理工学院 信息科学与工程学院, 浙江 宁波 31510011,Fu-Lai CHUNG，香港理工大学 电子计算学系, 香港02,王士同，香港理工大学 电子计算学系, 香港;江南大学 数字媒体学院, 江苏 无锡 21412203,姚奇富，浙江工商职业技术学院 电子与信息工程学院, 浙江 宁波 31501204

摘要：稀疏表示因其所具有的鲁棒性,在模式分类领域逐渐得到关注.研究了一种基于稀疏保留模型的新颖领域适应学习方法,并提出一种鲁棒的稀疏标签传播领域适应学习(sparse label propagation domain adaptation learning,简称SLPDAL)算法.SLPDAL通过将目标领域数据进行稀疏重构,以实现源领域数据标签向目标领域平滑传播.具体来讲,SLPDAL算法分为3步:首先,基于领域间数据分布均值差最小化准则寻求一个优化的核空间,并将领域数据嵌入到该核空间;然后,在该嵌入核空间,基于l1-范最小化准则计算各领域数据的核稀疏重构系数;最后,通过保留领域数据间核稀疏重构系数约束,实现源领域数据标签向目标领域的传播.最后,将SLPDAL算法推广到多核学习框架,提出一个SLPDAL多核学习模型.在鲁棒人脸识别、视频概念检测和文本分类等领域适应学习任务上进行比较实验,所提出的方法取得了优于或可比较的学习性能.

关键词：领域适应学习;稀疏表示;标签传播;最大均值差;多核学习

基金资助：教育部人文社会科学研究规划基金(13YJAZH084); 浙江省自然科学基金(LY14F020009); 宁波市自然科学基金(2013A610065, 2013A610072); 香港理工大学基金(G-UA68)