ATL：来自多个流过程的知识自主迁移
机器学习
2019-10-22 v2 机器学习
摘要
跨多个流过程迁移知识在现有文献中仍属未知领域，并具有独特特征：目标域无标注样本、源域与目标域的协变量偏移、源域与目标域中漂移周期不同。本文提出自主迁移学习（ATL）作为一种灵活的深度学习方法来解决跨多个流过程的在线无监督迁移学习问题。ATL通过生成与判别阶段相结合的在线域适应策略，以及基于KL散度的优化策略，产生域不变网络，同时提出弹性网络结构。它能在有或无真值存在的情况下从零自动演化其网络结构，以克服源域和目标域中独立的概念漂移。已进行严格的数值评估并与近期发表的工作比较。ATL展现出改进的性能，同时训练速度显著快于同类方法。
引用
@article{arxiv.1910.03434,
title = {ATL: Autonomous Knowledge Transfer from Many Streaming Processes},
author = {Mahardhika Pratama and Marcus de Carvalho and Renchunzi Xie and Edwin Lughofer and Jie Lu},
journal= {arXiv preprint arXiv:1910.03434},
year = {2019}
}
备注
This paper has been accepted for publication in CIKM 2019