核典型关联性分析相关特征提取与核逻辑斯蒂回归域自适应学习

刘建伟; 孙正康; 刘泽宇; 罗雄麟

doi:10.3969/j.issn.0372-2112.2016.12.014

您当前的位置：

首页 >

文章列表页 >

核典型关联性分析相关特征提取与核逻辑斯蒂回归域自适应学习

学术论文 | 更新时间：2025-07-16

- 核典型关联性分析相关特征提取与核逻辑斯蒂回归域自适应学习
- Domain Adaptation Learning with Kernel Logistic Regression and Kernel Canonical Correlation Analysis
- 电子学报 2016年44卷第12期页码：2908-2915
- 作者机构：
  
  1. 中国石油大学(北京)自动化系,北京,102249
  2. 中国科学院软件研究所基础软件国家工程研究中心,北京,100190
  3. 中国石油大学(北京)自动化系,北京,102249
  4. 中国科学院软件研究所基础软件国家工程研究中心,北京,100190
- 作者简介：
- 基金信息：
  
  国家重点基础研究发展规划 (973计划）项目 (No.2012CB720500）
- DOI：10.3969/j.issn.0372-2112.2016.12.014
  中图分类号： TP181
- 网络出版：2016-12-25，
  
  纸质出版：2016
- 稿件说明：
移动端阅览
刘建伟, 孙正康, 刘泽宇, 等. 核典型关联性分析相关特征提取与核逻辑斯蒂回归域自适应学习[J]. 电子学报, 2016,44(12):2908-2915.

LIU Jian-wei, SUN Zheng-kang, LIU Ze-yu, et al. Domain Adaptation Learning with Kernel Logistic Regression and Kernel Canonical Correlation Analysis[J]. Acta Electronica Sinica, 2016, 44(12): 2908-2915.
刘建伟, 孙正康, 刘泽宇, 等. 核典型关联性分析相关特征提取与核逻辑斯蒂回归域自适应学习[J]. 电子学报, 2016,44(12):2908-2915. DOI： 10.3969/j.issn.0372-2112.2016.12.014.

LIU Jian-wei, SUN Zheng-kang, LIU Ze-yu, et al. Domain Adaptation Learning with Kernel Logistic Regression and Kernel Canonical Correlation Analysis[J]. Acta Electronica Sinica, 2016, 44(12): 2908-2915. DOI： 10.3969/j.issn.0372-2112.2016.12.014.

摘要

本文提出了一种利用核典型关联性分析提取源域目标域最大相关特征，使用核逻辑斯蒂回归模型进行域自适应学习的算法，该算法称为KCCA-DAML（Kernel Canonical Correlation Analysis for Domain Adaptation Learning）.该算法基于特征集关联性分析，有效的减小源域和目标域的概率分布差异性，利用提取的最大相关特征通过核逻辑斯蒂回归模型实现源域到目标域的跨域学习.实验比较源域数据上核逻辑斯蒂学习模型、目标域上核逻辑斯蒂学习模型、源域和目标域上核逻辑斯蒂学习模型和KCCA-DAML模型，结果显示KCCA-DAML在真实数据集上成功的实现了跨域学习.

Abstract

The domain adaptive learning algorithm using kernel logistic regression model is proposed.The proposed approach use kernel canonical correlation analysis to extract the maximum relevant features of the source and target domain.We dub it as KCCA-DAML(Kernel Canonical Correlation Analysis for Domain Adaptation Learning

KCCA-DAML).Our algorithm is based on canonical correlation analysis

which simultaneously minimizes the incompatibility among source features

target features and instance labels

extract maximum relevant features from source features

target features and instance labels

and use kernel logistic regression domain adaptation learning.In experimental comparison of the kernel logistic model and KCCA-DAML model on source domain data

the target domain data

source and the target domain data

we demonstrate the power of our techniques with the following real-world data sets:Reuters 20 Newsgroups

MNIST handwritten-digits and UCI Dermatology.

关键词

Keywords

references

浏览量

343

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

联合DTOA一阶差分曲线和相关分析的参差信号分选方法

基于不变特征的多源遥感图像舰船目标检测算法

基于混沌脉冲位置调制的实时超声测距系统串扰抑制

流密码中非线性组合函数的分析与设计