利用域内结构实现的简易迁移学习
机器学习
2019-04-11 v2 计算机视觉与模式识别
机器学习
摘要
迁移学习旨在将知识从标注充分的领域迁移到相似但不同且标注有限或无标注的领域。遗憾的是，现有的基于学习的方法通常涉及密集的模型选择与超参数调优以获得良好结果。此外，由于目标域往往没有标签，交叉验证无法用于调优超参数。这会限制迁移学习的广泛应用，尤其是在可穿戴设备等计算受限设备中。本文提出一种实用的简易迁移学习（EasyTL）方法，无需模型选择与超参数调优，同时取得具竞争力的性能。通过利用域内结构，EasyTL能够同时学习非参数迁移特征与分类器。大量实验表明，与最先进的传统方法及深度方法相比，EasyTL满足奥卡姆剃刀原则：它极易于实现和使用，同时在分类准确率上取得相当或更好的性能，并具备更优的计算效率。此外，结果表明EasyTL能够提升现有迁移特征学习方法的性能。
引用
@article{arxiv.1904.01376,
title = {Easy Transfer Learning By Exploiting Intra-domain Structures},
author = {Jindong Wang and Yiqiang Chen and Han Yu and Meiyu Huang and Qiang Yang},
journal= {arXiv preprint arXiv:1904.01376},
year = {2019}
}
备注
Camera-ready version of IEEE International Conference on Multimedia and Expo (ICME) 2019; code available at http://transferlearning.xyz/code/traditional/EasyTL