基于 TSK 模糊系统的迁移表示学习
机器学习
2019-01-10 v1 人工智能
摘要
迁移学习可通过利用来自不同但相关源领域的大量标注数据，解决目标领域中无标签数据的学习任务。迁移学习的一个核心问题是学习一个共享特征空间，使两个领域数据的分布得以匹配。该学习过程可称为迁移表示学习（TRL）。特征变换方法对确保 TRL 的成功至关重要。TRL 中最常用的特征变换方法为基于核的非线性映射至高维空间，再进行线性降维。但核函数缺乏可解释性且难以选择。为此，本文将 TSK 模糊系统（TSK-FS）与迁移学习结合，提出了一种更直观且可解释的建模方法，称为基于 TSK-FS 的迁移表示学习（TRL-TSK-FS）。具体而言，TRL-TSK-FS 从两方面实现 TRL。一方面，将源域与目标域数据变换至模糊特征空间，使两域间数据分布距离最小化。另一方面，通过线性判别分析与主成分分析保留数据的判别信息与几何属性。此外，所提方法的另一优势在于，非线性变换由构建具有 TSK-FS 前件的模糊映射实现，而非难以选择的核函数。我们在文本与图像数据集上进行了充分实验，结果明显展示了所提方法的优越性。
引用
@article{arxiv.1901.02703,
title = {Transfer Representation Learning with TSK Fuzzy System},
author = {Peng Xu and Zhaohong Deng and Jun Wang and Qun Zhang and Shitong Wang},
journal= {arXiv preprint arXiv:1901.02703},
year = {2019}
}
备注
More interpretable feature transfer learning method with rules, which has been submited to IEEE Trans. Fuzzy Systems in Sept. 27 2018