目录
0、前言
引入迁移学习知识,通过迭代的方式循环更新核极限学习机分类器。首先训练核极限学习机为目标域预测伪标签,利用联合分布适配对齐两域分布,以减小分布差异;其次,通过流形正则化对目标域数据进一步利用,挖掘数据的潜在分布几何结构,学习目标域数据分布信息;最后,利用在结构风险最小化框架下建立的分类器结合上述两步学习策略,迭代更新目标域伪标签获得最优模型参数,实现自适应迁移学习核极限学习机构建。
1、自适应迁移学习核极限学习机原理
给定标记源域:
目标域:
假定源域与目标域的特征空间相同:
假定源域与目标域的类别空间也相同:
学习一个分类函数即分类器:,设置,应用核理论:,K为与对应的核函数。 是将原始特征向量投影到再生希尔伯特空间H的特征映射函数。
自适应迁移学习分类器的学习框架为:
其中:是模型正则项参数 ,是联合适配正则化项参数,