基于模糊规则学习的无监督异构领域自适应

摘要

异构领域自适应是一种借助源域知识为语义相关但特征空间不同的目标域建模的技术。现有的异构领域自适应方法大多属于半监督方法,这些方法要求目标域中存在一部分已标记样本,然而这种数据集在很多异构领域自适应任务中是稀缺的。为了解决上述问题,提出了一种新的基于模糊规则学习的无监督异构领域自适应算法。一方面,该方法基于TSK模糊系统的规则学习分别对源域和目标域进行特征学习,通过学习两个特征变换矩阵将源域和目标域投影到一个公共特征子空间;另一方面,为了减少因特征变换所造成的信息损失,该算法采取了多种信息保持策略,并且最大化公共特征子空间中源域数据和目标域数据之间的相关性。通过在几个真实领域自适应数据集上进行实验,验证了所提算法相对于现有的异构领域自适应方法具有一定的优越性。

关键词： 模糊规则学习; TSK模糊系统; 信息保持; 异构领域自适应

传统机器学习的前提是假设训练集和测试集具有相同的特征空间和数据分布。然而,当两个相关数据集的特征空间或数据分布存在差异时,传统机器学习的训练模型并不能得到满意的效果。因此,解决此类问题的迁移学习被广泛研究。随着迁移学习的关注度越来越高,迁移学习在理论和实践上都取得了很大的进步。领域自适