自适应迁移学习核极限学习机KELM用于分类

目录

0、前言

1、自适应迁移学习核极限学习机原理

1.1 结构风险最小化

1.2 联合分配

1.3 流行正则化

1.4 核极限学习机模型参数​求解公式

1.5  自适应迁移学习核极限学习机训练

1.6 说明

2、分类效果

---

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，