[发明专利]一种基于最优子空间学习的异构迁移学习方法在审
| 申请号： | 201910825981.6 | 申请日： | 2019-09-03 |
| 公开（公告）号： | CN110705591A | 公开（公告）日： | 2020-01-17 |
| 发明（设计）人： | 吴庆耀;闫玉光;毕朝阳 | 申请（专利权）人： | 华南理工大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/04;G06N3/08;G06N20/00 |
| 代理公司： | 44102 广州粤高专利商标代理有限公司 | 代理人： | 何淑珍;江裕强 |
| 地址： | 510640 广*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于最优子空间的异构迁移学习方法。所述方法包括：从数据库中取出用于异构迁移学习的源域和目标域数据；基于典型关联分析和多分类损失函数构建模型，使得目标函数表现为既能找出两个域最关联的特征映射子空间，又能使该特征空间中的特征具有强分类能力；对目标函数进行等价转化，以简化模型；对简化后的模型进行处理，使用交替方向乘子法将整个模型的优化问题分为三个子问题，求解得到三个子问题中参数变量的更新解；最后对整个问题进行迭代更新以收敛到最优。该方法较好的结合了知识迁移能力以及模型分类能力两个特点，并能较好的用于困难的异构迁移学习场景，在实际场景的应用中有很强的分类学习和数据标注能力。 | ||
| 搜索关键词： | 异构迁移 目标函数 子空间 学习 参数变量 等价转化 迭代更新 关联分析 简化模型 交替方向 模型分类 实际场景 数据标注 损失函数 特征空间 优化问题 知识迁移 目标域 强分类 分类 求解 映射 构建 源域 收敛 数据库 取出 场景 关联 更新 应用 表现 | ||
【主权项】：
1.一种基于最优子空间学习的异构迁移学习方法，其特征在于包括以下步骤：/nS1：从数据库中获取用于迁移学习的源域和目标域数据，并基于典型关联分析方法构建目标函数为最优子空间与分类学习相结合的模型；/nS2：将已得到的模型进行合理地等价转化，使问题求解得到简化，并初始化模型参数，设定惩罚系数、平衡系数超参数；/nS3：根据提出的模型得到目标域中未标记数据的假类标，并对模型的参数进行迭代优化以更新模型与假类标；/nS4：重复步骤S2中直到算法收敛，得到最终的模型，使用最终的模型对所有未标记的目标域数据进行预测。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于华南理工大学，未经华南理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910825981.6/，转载请声明来源钻瓜专利网。
