摘要:本文提出了一种利用核典型关联性分析提取源域目标域最大相关特征,使用核逻辑斯蒂回归模型进行域自适应学习的算法,该算法称为KCCA-DAML(Kernel Canonical Correlation Analysis for Domain Adaptation Learning).该算法基于特征集关联性分析,有效的减小源域和目标域的概率分布差异性,利用提取的最大相关特征通过核逻辑斯蒂回归模型实现源域到目标域的跨域学习.实验比较源域数据上核逻辑斯蒂学习模型、目标域上核逻辑斯蒂学习模型、源域和目标域上核逻辑斯蒂学习模型和KCCA-DAML模型,结果显示KCCA-DAML在真实数据集上成功的实现了跨域学习.
关键词:域自适应 概率分布差异 相关分析 核逻辑斯蒂回归 正则化模型
单位:中国石油大学(北京)自动化系; 北京102249; 中国科学院软件研究所基础软件国家工程研究中心; 北京100190
注:因版权方要求,不能公开全文,如需全文,请咨询杂志社