多相关性迁移学习

迁移学习旨在利用来自具有大量标注数据的相关源域的知识，来促进标注稀缺目标域中的学习任务。通常我们可能有多个标注数据很少或没有标注数据的域作为待解决的目标。现有多数工作通过建模“源-目标”对来分别处理目标域，而未探索它们之间的相关性，这将导致关键信息丢失，从而无法实现最优的知识迁移能力。本文中，我们为此提出一种新颖有效的方法称为多相关性迁移学习（MRTL），它可同时从源域迁移不同知识并利用目标域之间共享的潜在公共因子。具体而言，我们基于集体非负矩阵三分解框架将该问题表述为一个优化任务。所提方法通过共享多个分解的潜在子空间，实现了源-目标迁移与目标-目标利用。进一步，我们开发了具有收敛保证的交替最小化学习算法。实证研究验证了 MRTL 相比最先进方法的性能与有效性。