最优贝叶斯迁移学习
机器学习
2018-06-14 v2 计算机视觉与模式识别
机器学习
摘要
迁移学习近来引起了显著的研究关注，因为它从不同源域（拥有大量标注数据）同时学习，并将相关知识迁移到标注数据有限的靶域以提升预测性能。我们提出一种贝叶斯迁移学习框架，其中源域与靶域通过模型参数的联合先验密度相关联。联合先验密度的建模能够更好地理解域之间的“可迁移性”。我们为源域和靶域中高斯特征-标签分布的精度矩阵定义联合 Wishart 密度，以充当桥梁，通过改善靶域后验来转移源域的有用信息以帮助靶域分类。利用多元统计中的若干定理，后验与后验预测密度以含矩阵变元超几何函数的闭式导出，从而得到我们新颖的闭式且快速的最优贝叶斯迁移学习（OBTL）分类器。在合成与真实世界基准数据上的实验结果证实了 OBTL 相较于其他最先进迁移学习与域适应方法的优异性能。
引用
@article{arxiv.1801.00857,
title = {Optimal Bayesian Transfer Learning},
author = {Alireza Karbalayghareh and Xiaoning Qian and Edward R. Dougherty},
journal= {arXiv preprint arXiv:1801.00857},
year = {2018}
}
备注
IEEE Transactions on Signal Processing