l*********
Lv.3 学术文献阅读达人
2020/08/10 21:22
迁移学习
传统机器学习方法通常依赖于数据的生成机制不随环境改变这一基本假设。然而在实际中该假设往往由于过于严格而难以成立。迁移学习放宽了传统机器学习中训练数据和测试数据必须独立同分布的约束，能够在彼此不同但又相互关联的两个领域间挖掘领域不变的本质特征和结构，使得标注数据等有监督信息可以在领域间实现迁移和复用。迁移学习是解决目标任务标注数据稀缺的基础方法。迁移学习中，主要的难点和挑战在于过拟合、欠拟合、欠适配、负迁移等关键问题。本文对于迁移学习的问题挑战分析了原因并设计针对性的学习方法，主要创新点包括：1. 针对负迁移问题，提出一种图正则化联合矩阵分解模型，2. 针对欠适配问题，提出一种联合适配正则化学习框架，3. 针对欠拟合、欠适配与负迁移问题，基于深度学习扩展最大均值差异准则为非线性分布差异准则，提出统一的鲁棒深度表征适配模型
领书计划详情
