域自适应学习分类
时间：2023-02-21 08:58:01 | 来源：营销百科
时间：2023-02-21 08:58:01 来源：营销百科
域自适应学习分类：从不同的学习场景看, 域自适应学习可分为: 分类问题、回归问题和聚类问题. 降维是处理域自适应学习问题的一种重要手段, 因此有必要将域自适应降维作为单一独立的主题, 与域自适应分类、域自适应回归和域自适应聚类一起进行讨论.
对于多源域和多目标域的学习, 不同类的域自适应学习所侧重的应用场景也不同. 多源域自适应学习多用于多示例学习场景和多视图学习场景. 而多目标域自适应学习多用于多标签学习场景、结构化输出、偏序学习和排序学习等场景.
根据源域和目标域的观点, 自适应学习理论和方法由两部分构成: 单源域单目标域自适应学习和多源域多目标域自适应学习. 如果能够对单源域-单目标域实现域自适应学习, 那么通过组合等方法可以扩展为多源域- 多目标域的域自适应学习. 即单源域-单目标域学习理论和方法可视为域自适应学习的基石, 多源域-多目标域学习可以看作扩展.
单源域-单目标域的域自适应学习分为
样例加权域自适应学习、特征表示域自适应学习、基于特征和参数分解的域自适应学习.
样例加权域自适应学习对训练样本附加权值, 使加权后的训练样本的概率分布逼近目标域的概率分布, 根据域自适应学习权值的计算方法的不同, 将样例加权域自适应学习分为: 重要性抽样方法、核均值匹配方法和Ad-aBoost 方法;
特征表示域自适应学习是将样例映射到新的特征空间中, 通过选择合适的特征表示方式,使源域和目标域在新的特征空间下的分布相同或尽可能相同.
基于特征表示的域自适应学习算法多种多样, 最重要的两种方法是基于核映射函数的方法和结构对应学习, 此外还包含协同聚类方法、维数约简方法、迁移分量分析方法. 其中基于核映射函数的方法又包含最小化均值偏差和最小化离散度偏差两种映射方法;
基于特征和参数分解的方法的基本思路是对特征和模型参数分解, 这种基于特征和模型参数分解的方法是处理域自适应学习问题的另一类有效方法. 分解方法包括增广特征和模型参数分解两种形式. 通过适当的处理方法(例如组合加权等方法), 可以将单源域- 单目标域学习理论有效的扩展为多源域- 多目标域的情况.
解决多源域自适应学习问题的方法可分为三大类: 基于源域判别函数学习的方法、基于正则化项加权组合的方法和基于流形平滑性假设的方法.
在线咨询
