利用增强特征进行异构域自适应学习
机器学习
2012-06-22 v1
摘要
我们提出了一种新的异构域自适应（HDA）学习方法，其中源域和目标域的数据由具有不同维度的异构特征表示。首先，我们使用两个不同的投影矩阵将两个域的数据转换到一个公共子空间中，以便度量两个域数据之间的相似性。随后，我们提出了两种新的特征映射函数，利用原始特征和零值对转换后的数据进行增强。现有的学习方法（如 SVM 和 SVR）可以直接结合我们新提出的增强特征表示，从而有效地利用两个域的数据进行 HDA。以 SVM 中的合页损失函数为例，我们介绍了在线性情况下称为异构特征增强（HFA）方法的详细目标函数，并描述了其核化方法，以高效处理高维数据。此外，我们还开发了一种交替优化算法，以有效求解 HFA 方法中非平凡的优化问题。在两个基准数据集上的综合实验清楚地表明，HFA 优于现有的 HDA 方法。
引用
@article{arxiv.1206.4660,
title = {Learning with Augmented Features for Heterogeneous Domain Adaptation},
author = {Lixin Duan and Dong Xu and Ivor Tsang},
journal= {arXiv preprint arXiv:1206.4660},
year = {2012}
}
备注
ICML2012