基于在线分布差异最小化的同构在线迁移学习
机器学习
2020-02-12 v1 机器学习
摘要
迁移学习已在多种应用中被证明是成功且必不可少的，其将知识从相关但不同的源域迁移到目标域。在线迁移学习(OTL)是一个更具挑战性的问题，其中目标数据以在线方式到达。大多数 OTL 方法通过为每个分类器分配权重并不断调整权重，直接将源分类器与目标分类器结合。然而，这些方法很少关注减小域间的分布差异。本文提出一种新颖的在线迁移学习方法，其寻求找到一种新的特征表示，从而能够在线同时减小边缘分布与条件分布差异。我们关注具有多个源域的在线迁移学习，并使用 Hedge 策略来利用源域的知识。我们分析了所提算法的理论性质并给出了一个错误上界。在两个真实数据集上的综合实验表明，我们的方法大幅优于最先进的方法。
引用
@article{arxiv.1912.13226,
title = {Homogeneous Online Transfer Learning with Online Distribution Discrepancy Minimization},
author = {Yuntao Du and Zhiwen Tan and Qian Chen and Yi Zhang and Chongjun Wang},
journal= {arXiv preprint arXiv:1912.13226},
year = {2020}
}