首页|期刊简介|投稿指南|分类索引|刊文选读|订阅指南|资料|样刊邮寄查询|常见问题解答|联系我们
孙俏,凌卫新. 基于域间相似度序数的迁移学习源领域的选择[J]. 科学技术与工程, 2020, 20(20): 8245-8251.
SUN Qiao.Source Domain Selection in Transfer Learning Based on Domain Similarity Rank[J].Science Technology and Engineering,2020,20(20):8245-8251.
基于域间相似度序数的迁移学习源领域的选择
Source Domain Selection in Transfer Learning Based on Domain Similarity Rank
投稿时间:2020-01-06  修订日期:2020-03-27
DOI:
中文关键词:  域间相似度  迁移学习  源领域  MMD  负迁移
英文关键词:domain similarity  transfer learning  source domain  MMD  negative transfer
基金项目:教育部人文社会科学重点研究基地重大项目
     
作者单位
孙俏 华南理工大学数学学院
凌卫新 华南理工大学数学学院
摘要点击次数: 19
全文下载次数: 6
中文摘要:
      现有迁移学习研究大多数都建立在源领域和目标领域的相似度较高的这一全局约束下,对如何选择合适的源领域缺乏研究。为了确定如何自适应地从候选源领域集合中选择合适源领域,提升迁移效率,避免“负迁移”现象,本文基于最大均值差异(MMD)提出一种叫做域间相似度序数(MMD-SR)的度量方法,用于度量候选源领域与目标领域间的相似度。同时,基于MMD-SR,提出一种迁移学习源域自适应选择策略MMD-SR_SDSS。在人工数据集和真实数据集中的实验结果表明了度量方法MMD-SR和源领域选择策略MMD-SR_SDSS的有效性和可行性。
英文摘要:
      Most of the existing transfer learning studies are based on the global constraint that the similarity between source domain and target domain is high. There is a lack of research on how to choose the appropriate source domain. In order to determine how to select the appropriate source domain from the candidate source domain set adaptively, improve the transfer efficiency and avoid the phenomenon of "negative transfer", this paper proposes a measurement method called domain similarity rank(MMD-SR) based on maximum mean discrepancy(MMD) to measure the similarity between the candidate source domain and the target domain. At the same time, an adaptive source domain selection strategy MMD-SR_SDSS is proposed which based on MMD-SR. The effectiveness and feasibility of MMD-SR and MMD-SR_SDSS are illustrated by experiments on artificial datasets and real datasets.
查看全文  查看/发表评论  下载PDF阅读器
关闭
你是第31638243位访问者
版权所有:科学技术与工程编辑部
主管:中国科学技术协会    主办:中国技术经济学会
Tel:(010)62118920 E-mail:stae@vip.163.com
京ICP备05035734号-4
技术支持:本系统由北京勤云科技发展有限公司设计

京公网安备 11010802029091号