域自適應(yīng)學習分類

時間：2023-02-21 08:58:01 | 來源：營銷百科

時間：2023-02-21 08:58:01 來源：營銷百科

域自適應(yīng)學習分類：從不同的學習場景看, 域自適應(yīng)學習可分為: 分類問題、回歸問題和聚類問題. 降維是處理域自適應(yīng)學習問題的一種重要手段, 因此有必要將域自適應(yīng)降維作為單一獨立的主題, 與域自適應(yīng)分類、域自適應(yīng)回歸和域自適應(yīng)聚類一起進行討論.

對于多源域和多目標域的學習, 不同類的域自適應(yīng)學習所側(cè)重的應(yīng)用場景也不同. 多源域自適應(yīng)學習多用于多示例學習場景和多視圖學習場景. 而多目標域自適應(yīng)學習多用于多標簽學習場景、結(jié)構(gòu)化輸出、偏序?qū)W習和排序?qū)W習等場景.
根據(jù)源域和目標域的觀點, 自適應(yīng)學習理論和方法由兩部分構(gòu)成: 單源域單目標域自適應(yīng)學習和多源域多目標域自適應(yīng)學習. 如果能夠?qū)卧从?單目標域?qū)崿F(xiàn)域自適應(yīng)學習, 那么通過組合等方法可以擴展為多源域- 多目標域的域自適應(yīng)學習. 即單源域-單目標域?qū)W習理論和方法可視為域自適應(yīng)學習的基石, 多源域-多目標域?qū)W習可以看作擴展.
單源域-單目標域的域自適應(yīng)學習分為

樣例加權(quán)域自適應(yīng)學習、特征表示域自適應(yīng)學習、基于特征和參數(shù)分解的域自適應(yīng)學習.

樣例加權(quán)域自適應(yīng)學習對訓練樣本附加權(quán)值, 使加權(quán)后的訓練樣本的概率分布逼近目標域的概率分布, 根據(jù)域自適應(yīng)學習權(quán)值的計算方法的不同, 將樣例加權(quán)域自適應(yīng)學習分為: 重要性抽樣方法、核均值匹配方法和Ad-aBoost 方法;

特征表示域自適應(yīng)學習是將樣例映射到新的特征空間中, 通過選擇合適的特征表示方式,使源域和目標域在新的特征空間下的分布相同或盡可能相同.

基于特征表示的域自適應(yīng)學習算法多種多樣, 最重要的兩種方法是基于核映射函數(shù)的方法和結(jié)構(gòu)對應(yīng)學習, 此外還包含協(xié)同聚類方法、維數(shù)約簡方法、遷移分量分析方法. 其中基于核映射函數(shù)的方法又包含最小化均值偏差和最小化離散度偏差兩種映射方法;

基于特征和參數(shù)分解的方法的基本思路是對特征和模型參數(shù)分解, 這種基于特征和模型參數(shù)分解的方法是處理域自適應(yīng)學習問題的另一類有效方法. 分解方法包括增廣特征和模型參數(shù)分解兩種形式. 通過適當?shù)奶幚矸椒?例如組合加權(quán)等方法), 可以將單源域- 單目標域?qū)W習理論有效的擴展為多源域- 多目標域的情況.

解決多源域自適應(yīng)學習問題的方法可分為三大類: 基于源域判別函數(shù)學習的方法、基于正則化項加權(quán)組合的方法和基于流形平滑性假設(shè)的方法.