从异构域迁移知识片段以学习距离度量
机器学习
2019-04-09 v1 计算机视觉与模式识别
机器学习
摘要
迁移学习的目标是通过利用来自其他相关任务的信息（或迁移知识）来提升目标学习任务的性能。在本文中，我们考察迁移距离度量学习（DML）问题，其通常旨在缓解目标 DML 中标签信息匮乏的问题。当前大多数迁移 DML（TDML）方法不适用于数据来自异构域的情形。一些已有的异构迁移学习（HTL）方法可通过将源域和目标域样本变换到公共子空间来学习目标距离度量。然而，这些方法在真实应用中缺乏灵活性，且所学变换常限于线性。这促使我们发展一个通用灵活的异构 TDML（HTDML）框架。具体而言，可事先采用任意（线性/非线性）DML 算法学习源度量。然后将预学习的源度量表示为一组知识片段以辅助目标度量学习。我们展示了所提迁移策略如何降低目标域的泛化误差，并开发了学习线性或非线性目标度量的新算法。在各种应用上的大量实验证明了所提方法的有效性。
引用
@article{arxiv.1904.04061,
title = {Transferring Knowledge Fragments for Learning Distance Metric from A Heterogeneous Domain},
author = {Yong Luo and Yonggang Wen and Tongliang Liu and Dacheng Tao},
journal= {arXiv preprint arXiv:1904.04061},
year = {2019}
}