一种域适应学习的最优核组合选择方法技术

本发明专利技术涉及一种域适应学习的最优核组合选择方法。在实际应用场景中，通常由于缺少足够的具有标签的样本，以至于不能够训练一个鲁棒的分类器。但是，可以利用已经进行了标签的大量样本来帮助目标域中的数据来训练分类器。本发明专利技术将辅助域与目标域的样本映射到高维空间中通过假设检验的方法判断两样本服从同一分布的概率，同时，用支持向量机对辅助域与目标域的数据进行经验结构风险最小化。在建模过程中，本发明专利技术采取的是多核支持向量机。因此，可以构建一个以核组合参数的目标函数，最后可以通过最优化方法解该目标函数。然后会得到一个分类器，可以对目标域的数据进行分类。

【技术实现步骤摘要】
专利
本专利技术属于跨域学习领域中的一种最优核组合选择算法，具体讲，是在两个样本 域不同分布并且其中一个样本的标签数据稀少的基础上，通过核组合方法利用辅助域的数 据在目标域中训练一个分类器。
技术介绍
传统的机器学习方法通常假设训练数据与测试数据服从同一分布。但是对于很多 实际的应用，非常困难获取足够的具有标签的样本来训练一个鲁棒的分类器。最近，很多研 究者关注跨域学习的问题，也就是说通过利用辅助域的数据(已标签)来帮助目标域(少量 标签，但不足以训练一个鲁棒的分类器)训练一个分类器，但是目标域与辅助域的并不服从 同一分布。为了充分利用目标域与辅助域的标签数据，Daume提出了一个feature replication方法来用增强feature。这种扩展feature的方法通过构造一个支持向量机 核函数来执行。Yang等人提出了自适应向量机方法来进行跨域学习，并且成功将这个方法 用于视觉概念分类。主要是通过辅助域的分类器来适配新的分类器。Jiang等人提出了跨 域支持向量机通过用k最邻近方法来对每一个标签数据定义一个权重，然后通过不断调整 权重来训练分类器。这些方法共同的一个不足本文档来自技高网...

【技术保护点】
一种域适应学习的最优核组合选择方法，其特征在于包括以下步骤：步骤1、将辅助域与目标域的样本映射到高维空间中通过假设检验的方法判断两样本服从同一分布的概率，同时，用支持向量机对辅助域与目标域的数据进行经验结构风险最小化；步骤2、构建以多核系数为参数的目标函数，将求解出核组合系数，并且能够得到分类器的参数，目标函数具体如下：其中，单调函数，P(η＜t)是两个样本在映射后的空间服从同一分布的概率，λ为平衡因子，ψ为以多核组合系数为参数的结构风险函数，其中目标函数的约束条件：yi(Σi=1Nwiφ(xi)+b)≥1-ξi,ξ>0,b>0公式中w...

【技术特征摘要】
1.一种域适应学习的最优核组合选择方法，其特征在于包括以下步骤:步骤1、将辅助域与目标域的样本映射到高维空间中通过假设检验的方法判断两样本服从同一分布的概率，同时...

【专利技术属性】
技术研发人员：董乐，全品杰，封宁，吕娜，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：