一种基于多源域的任务拆分迁移学习预测方法技术

本发明专利技术涉及一种基于多源域的任务拆分迁移学习预测方法。本方法是在复杂的目标任务很难通过极少量的目标域数据训练学习的条件下，依据目标域的特征项所涉及的领域划分成对应的子域，进而划分出子域对应的子任务，通过子任务对应的域特征量计算子任务模型权重，利用子任务对应的子域中所需的特征项，以特征映射的方式建立共享特征空间，在充足的多源域样本中训练出子任务模型，抽取关联特征项共享参数模型，集成初始目标任务模型，结合梯度提升方法快速拟合，实现任务拆分的迁移预测。本发明专利技术是一种以任务拆分的方式来实现跨领域模型迁移的预测方法。

【技术实现步骤摘要】
一种基于多源域的任务拆分迁移学习预测方法
本专利技术涉及机器学习领域的迁移学习方向，特别是涉及一种基于多源域的任务拆分迁移学习预测方法。
技术介绍
传统的机器学习预测方法并没有摆脱训练数据和测试数据独立同分布的约束条件，使得机器学习方法必须在样本数据独立同分布的前提假设条件下执行，然而，随着现实应用中大数据的普及，这种前提假设很难适应数据智能时代的发展。针对因训练样本稀缺导致的机器学习方法不适应跨领域学习，以及训练样本的采集和标注耗费代价昂贵的问题，迁移学习作为一种类人学习的技术方法得到广泛关注和研究发展。迁移学习不再限定源域和目标域数据独立同分布，实现跨领域学习，通过知识迁移再利用的方式完成目标任务，是一种非零基础学习的强智能学习方法。迁移学习在人类学习过程中普遍存在，实现的是一种环境学到的知识、技术或方法对新环境目标任务学习的影响。迁移学习的研究中涉及到领域和任务其中和分别表示领域样本数据集x的d维特征空间和边缘概率分布，y和分别表示任务的样本类别y的类别空间和预测模型，预测模型可以理解并表示成条件概率分布，即作为迁移学习的核心因素，源领域和源任务与目标领域和目标任务的关联程度决本文档来自技高网...

【技术保护点】
一种基于多源域的任务拆分迁移学习预测方法，其特征在于，具体步骤如下：步骤1：通过分析目标域的特征项所涉及的领域划分成对应的子域，进而划分出子域对应的子任务，实现对目标任务的拆分，其中以特征量为关联因子来量化相应子任务的重要程度，实现目标任务拆分后的集成；步骤2：特征映射域关联，利用子任务对应的子域中所需的特征项，与源域建立特征关联，以特征映射的方式建立共享特征空间；步骤3：基于多源域中子任务模型的构建，结合多任务学习的方法选取基本学习器进行训练，以迭代的方式训练源域数据并更新模型参数，降低子模型误差，及时优化拟合子模型；步骤4：迁移子任务模型集成目标任务模型，完成目标任务的初始预测模型的构建；...

【技术特征摘要】
1.一种基于多源域的任务拆分迁移学习预测方法，其特征在于，具体步骤如下：步骤1：通过分析目标域的特征项所涉及的领域划分成对应的子域，进而划分出子域对应的子任务，实现对目标任务的拆分，其中以特征量为关联因子来量化相应子任务的重要程度，实现目标任务拆分后的集成；步骤2：特征映射域关联，利用子任务对应的子域中所需的特征项，与源域建立特征关联，以特征映射的方式建立共享特征空间；步骤3：基于多源域中子任务模型的构建，结合多任务学习的方法选取基本学习器进行训练，以迭代的方式训练源域数据并更新模型参数，降低子模型误差，及时优化拟合子模型；步骤4：迁移子任务模型集成目标任务模型，完成目标任务的初始预测模型的构建；步骤5：跨领域迁移和预测，迁移初始目标任务模型F0(x)预测并优化，以梯度提升的方法快速拟合最终模型，完成最终预测任务。2.根据权利要求1所述的基于多源域的任务拆分迁移学习预测方法，其特征在于，所述步骤1中的任务拆分和任务重要程度，具体为：步骤1.1：任务关联拆分，首先，根据目标域中复杂的特征项对目标域进行拆分，目标域划分成多个关联的子域，以此将目标任务拆分成对应子域的多个子任务，任务拆分表示成加和的形式，即步骤1.2：计算子任务对应目标任务的重要程度，即权重其中表示子任务对应子域的所需特征量，nT表示目标域训练所需的特征量。3.根据权利要求1所述的基于多源域的任务拆分迁移学习预测方法，其特征在于，所述步骤2中的基于特征映射的域关联选取，利用子域中所需的特征项，通过特征映射的方式，建立子域和源域间的共享特征空间，实现子任务的特征关联。4.根据权利要求1所述的基于多源域的任务拆分迁移学习预测方法，其特征在于，所述步骤3中的多源域子任务模型的构...

【专利技术属性】
技术研发人员：王成龙，吴悦，
申请(专利权)人：上海大学，
类型：发明
国别省市：上海,31