一种新的半监督归纳迁移学习框架：Co-Transfer
机器学习
2021-08-24 v2
摘要
在许多实际数据挖掘场景中，如网络入侵检测、Twitter垃圾信息检测和计算机辅助诊断，不同于但相关于目标域的源域十分常见。此外，源域和目标域中均有大量未标记数据可用，但标记它们困难、昂贵、耗时且有时不必要。因此，充分探索源域和目标域中的已标记与未标记数据以解决目标域任务非常重要且值得。本文提出一种名为Co-Transfer的新的半监督归纳迁移学习框架。Co-Transfer首先利用原始标记数据的自助样本，生成三个从源域向目标域迁移学习的TrAdaBoost分类器，同时生成三个从目标域向源域迁移学习的TrAdaBoost分类器。在每轮协同迁移中，每组TrAdaBoost分类器使用精心标记的数据进行精炼。最终，学习自源域向目标域迁移的那组TrAdaBoost分类器产生最终假设。实验结果说明Co-Transfer能有效利用和复用源域与目标域中的已标记与未标记数据。
引用
@article{arxiv.2108.07930,
title = {A new semi-supervised inductive transfer learning framework: Co-Transfer},
author = {Zhe Yuan and Yimin Wen},
journal= {arXiv preprint arXiv:2108.07930},
year = {2021}
}