基于共同决策方向矢量的多源迁移及其快速学习方法

张景祥; 王士同

doi:10.3969/j.issn.0372-2112.2015.07.015

您当前的位置：

首页 >

文章列表页 >

基于共同决策方向矢量的多源迁移及其快速学习方法

学术论文 | 更新时间：2025-07-16

- 基于共同决策方向矢量的多源迁移及其快速学习方法
- Common-Decision-Vector Based Multiple Source Transfer Learning Classification and Its Fast Learning Method
- 电子学报 2015年43卷第7期页码：1349-1355
- 作者机构：
  
  1. 江南大学数字媒体学院,江苏,无锡,214122
  2. 江南大学理学院,江苏,无锡,214122
  3. 江南大学数字媒体学院,江苏,无锡,214122
  4. 江南大学理学院,江苏,无锡,214122
- 作者简介：
- 基金信息：
  
  国家自然科学基金 (No.61202311,No.61272210);江南大学博士科研基金 (No.JUDCF13031);江苏省普通高校研究生科研创新计划基金 (No.CXLX13-748)
- DOI：10.3969/j.issn.0372-2112.2015.07.015
  中图分类号： TP391.4
- 纸质出版：2015
- 稿件说明：
移动端阅览
张景祥, 王士同. 基于共同决策方向矢量的多源迁移及其快速学习方法[J]. 电子学报, 2015,43(7):1349-1355.

ZHANG Jing-xiang, WANG Shi-tong. Common-Decision-Vector Based Multiple Source Transfer Learning Classification and Its Fast Learning Method[J]. Acta Electronica Sinica, 2015, 43(7): 1349-1355.
张景祥, 王士同. 基于共同决策方向矢量的多源迁移及其快速学习方法[J]. 电子学报, 2015,43(7):1349-1355. DOI： 10.3969/j.issn.0372-2112.2015.07.015.

ZHANG Jing-xiang, WANG Shi-tong. Common-Decision-Vector Based Multiple Source Transfer Learning Classification and Its Fast Learning Method[J]. Acta Electronica Sinica, 2015, 43(7): 1349-1355. DOI： 10.3969/j.issn.0372-2112.2015.07.015.

摘要

多源迁移学习提取了多个相似领域之间有用信息

提高了学习效率

但存在计算核矩阵的空间和时间复杂度较高的问题.提出了一种多源迁移学习方法

该方法基于结构风险最小框架理论

以共同决策方向矢量为基准

将多个相似领域的决策方向矢量嵌入到支持向量机的训练过程中

提高了目标领域分类器的分类性能.并结合核心向量机理论提出了共同决策方向矢量核心向量机

实现对大样本数据集的快速分类学习.模拟和真实数据集实验表明了所提算法的有效性.

Abstract

Multiple source transfer learning (MSTL) has been obtaining more and more applications especially from several related source domains to help the learning task on target domain.However

multiple source transfer learning algorithms often deal with the corresponding quadratic programming problems which may suffer a big computational burden caused by the kernel matrix computation.In this paper

a novel common-decision-vector based multiple source transfer classification learning (CDV-MSTL) is proposed which doesn't depend on the intrinsic structure of data.This algorithm is based on the structural risk minimization principle and the SVM like framework

so it has good adaptability and better accuracy.Based on the theory of CVM

CDV-MSTL is extended to its CVM based version which can realize fast training for large scale data.Extensive experiments on synthetic and real-world datasets demonstrate the significant improvement in classification performance obtained by the proposed algorithm over existing MSTL algorithm.

关键词

Keywords

references

浏览量

2138

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于混合进化算法的特征选择方法研究

一种基于网格服务的分布式GEP-BP分类算法

癌症基因分类的Laplace谱方法

基于模式结构分类的本体映射方法

交叉验证容噪分类算法有效性分析及其在数据流上的应用