[发明专利]多示例多标记框架下基于域适应迁移学习设计方法和系统

权利要求书

1.一种多示例多标记框架下基于域适应迁移学习设计方法，其特征在于， 所述方法包括如下步骤：

步骤1：给定输入多示例多标记集:

源域数据集D^S＝{(X_i，Y_i)|1≤i≤n_s}

已标记目标域数据集D^L＝{(X_i，Y_i)|1≤i≤n_l}

未标记目标域数据集D^U＝{X_i|1≤i≤n_u}；

其中，包含z_i个样本示例，Y_i＝{y_i，1，…，y_i，n}为第 i样本包的标记，其中y_i，j＝±1，D^L∪D^U＝D^T，D^L∩D^U＝φ，n_l+n_u＝n_t

已知D^S中的Y_i都是已知的，目标域中存在标记已知的样本子集,且D^S和 D^T中样本的分布是完全不同的；

步骤2：对于D^S和D^T中的所有样本包X_i执行miFV算法，将原始的多示例样 本包压缩为(2d+1)K维的单实例Fisher向量；

步骤3：对单示例化后的源域数据集D^S′和目标域数据集D^T'执行KMM算法， 计算出源域样本的权重向量其中α_i对应源域中第i 个样本的权重值；

步骤4：对目标域的已标记数据集D^L和源域数据集D^S,执行“二分K-means 聚类”，计算出源域数据集的抽取向量其中β_i＝0或 1；

步骤5：根据步骤3和步骤4计算出的两个向量α和β，选择合适的多标记 分类器h(x)，优化本发明提出的优化式(11)，确定最优分类器h(x)的所有参数；

步骤6：根据多标记分类器，得到未标记目标域数据集D^U的预测标记集合， 即：分类结果。

2.根据权利要求1所述的一种多示例多标记框架下基于域适应迁移学习设 计方法，其特征在于：所述方法步骤3和步骤4的域适应过程，是通过两步优 化，首先根据样本统计特征在RKHS空间中的特性，对源域样本加权，使得源 域样本和目标域样本的MMD最小化，然后通过对所有样本聚类，挑选出源域样 本集合中可用的样本。

3.根据权利要求1所述的一种多示例多标记框架下基于域适应迁移学习设 计方法，其特征在于：所述方法包括多示例多标记学习单示例化算法、基于源域 样本加权和源域目标域样本聚类的两步域适应过程、基于域适应过程后多示例学 习方法的学习过程。

4.根据权利要求3所述的一种多示例多标记框架下基于域适应迁移学习设 计方法，其特征在于：所述方法将迁移学习框架与多示例多标记学习统一到同一 个框架中，通过对源域样本进行改造，用于目标域任务的学习；源域数据的改造 是通过两步域适应方法使得源域样本集合与目标域样本集合的边缘概率和条件 概率均趋向于一致来完成的；两步域适应需要巨大的计算代价，需要利用miFV 算法将多示例多标记样本包转化为单示例多标记样本。

5.根据权利要求3所述的一种多示例多标记框架下基于域适应迁移学习设 计方法，其特征在于：所述方法针对多示例多标记学习的计算复杂性，将miFV 算法和迁移学习算法中的域适应方法结合，减小多示例多标记学习的计算代价。