面向任意时刻迁移学习的在线装袋
机器学习
2019-10-22 v1 机器学习
摘要
在目标域难以获得充足标注数据但可在相关源域获得大量辅助数据的现实下，迁移学习技术已被广泛使用。但现有多数方法基于离线数据。在实际应用中，常需面对数据样本顺序到达的在线学习问题。本文致力于将集成方法应用于解决在线迁移学习问题，使其可用于任意时刻设定。更具体地，我们提出了一种新颖的在线迁移学习框架，将在线装袋方法的思想应用于任意时刻迁移学习问题，并通过多个弱分类器有用性的在线迭代构建强分类器。此外，我们的算法还提供了两种扩展方案以减轻负迁移的影响。在三个真实数据集上的实验表明了我们所提算法的有效性。
引用
@article{arxiv.1910.08945,
title = {Online Bagging for Anytime Transfer Learning},
author = {Guokun Chi and Min Jiang and Xing Gao and Weizhen Hu and Shihui Guo and Kay Chen Tan},
journal= {arXiv preprint arXiv:1910.08945},
year = {2019}
}
备注
7 pages; SSCI2019