面向无监督迁移学习的核配准
机器学习
2016-10-21 v1 机器学习
摘要
人类将先前获得的知识外推到其他领域的能力启发了一类新的机器学习方法，称为迁移学习。迁移学习通常基于一个假设，即目标域和源域中的对象共享某些共同特征和/或数据空间。本文提出一种简单直观的方法，通过优化核目标配准 (KTA) 来迭代地最小化源任务分布与目标任务分布之间的距离。我们通过将该过程与 Hilbert-Schmidt 独立性准则 (HSIC) 和二次互信息 (QMI) 最大化联系起来，证明其适用于迁移学习。我们在基准计算机视觉数据集上运行我们的方法，并证明其性能可超越一些最先进的方法。
引用
@article{arxiv.1610.06434,
title = {Kernel Alignment for Unsupervised Transfer Learning},
author = {Ievgen Redko and Younès Bennani},
journal= {arXiv preprint arXiv:1610.06434},
year = {2016}
}