基于离线分解与在线混合的方法进行源组件迁移适应

本文针对源组件迁移适应问题，旨在基于过去的训练数据更新对新到达数据流的预测，以适应源组件迁移。现有的在线学习方法往往无法有效利用重复出现的迁移，而基于模型池的方法在捕获单个源组件方面存在困难，导致适应效果不佳。本文提出一种源组件迁移适应方法，基于离线分解与在线混合方法。我们理论上识别到该问题可分为两个子问题：离线源组件分解和在线混合权重适应。基于此，我们的方法首先确定预测模型，通过 EM 算法离线学习仅基于过去训练数据的源组件。随后，通过在线凸优化更新预测模型的混合权重，以实现精确预测。由于我们的理论推导，本方法充分利用了迁移的特征，实现了对现有方法的优越适应性能。在各种真实世界的回归数据集上进行的实验表明，该方法优于基线方法，在累积测试损失方面降低了最高可达 67.4%。