Multi-Source Transfer Learning via Ensemble Approach for Initial Diagnosis of Alzheimer’s Disease

方法

单源迁移学习：
$D_{S1}$到D${}_{Sm}$是源域数据集，D${}_T$是目标域数据集。每个源域数据集会与目标域数据集结合生成新的训练集，接着在新的训练数据集上迭代训练三个异构分类器，直到满足指标。一旦迭代停止，三个分类器就会被集成，为一个源域生成一个健壮的分类器
基于互信息的多源集成学习：
\quad 每次迭代后第i个源域的样本x${}_i^{S^{\prime }}$与目标域样本x${}^T$之间的互信息$I$($x_i^{S^{\prime }}$,$x^T$)=${\sum }_{x\in x_i^{S^{\prime }}}{\sum }_{y{\in }_{x^T}}p(x,y)log$$\frac{p(x,y)}{p(x)p(y)}$
D${}_{Si}$和D${}_T$之间的互信息由计算所有相关的源和目标样本的互信息均值得到：$I$(D${}_{Si}$,D${}_T$)=$\overline{I(x_i^{S^{\prime }},x^T)}$
因此，每个源域的权重

最终分类器的函数
$f^{\ast }(x)$=${\sum }_{i=1}^m{w}_i^{\ast }{f}_i(x)$

阶段3的结果为健康或生病