域迁移卷积属性嵌入

在本文中，我们研究了利用属性数据进行迁移学习的问题。在迁移学习问题中，我们希望利用辅助域和目标域的数据来为目标域中的分类问题构建有效的模型。同时，属性在不同域之间自然保持稳定。这强烈促使我们学习有效的域迁移属性表示。为此，我们提出使用强大的卷积神经网络 (CNN) 模型将数据的属性嵌入到一个公共空间中。数据点的卷积表示被映射到相应的属性，以便它们可以成为属性的有效嵌入。我们还通过一个域无关 CNN 和一个特定域 CNN 来表示不同域的数据，并将它们的输出与属性嵌入相结合以构建分类模型。我们构建了一个联合学习框架，以最小化分类误差、属性映射误差、不同域之间域无关表示的不匹配，并鼓励目标域中表示的邻域平滑性。该最小化问题通过基于梯度下降的迭代算法求解。在行人重识别、破产预测和垃圾邮件检测的基准数据集上的实验表明了所提出方法的有效性。