加权多源 Tradaboost
机器学习
2019-03-28 v1 机器学习
摘要
本文提出一种考虑目标与源数据之间平衡的迁移学习改进方法。该方法建立在最先进的 Multisource Tradaboost 之上，但根据可用的目标与源数据量对每个数据点的重要性进行加权。随后给出对比研究，展示四种迁移学习方法以及所提加权多源 Tradaboost 的性能。实验结果表明，随着目标样本数量增加，所提方法能够优于基准方法。这些结果在源-目标比例加权或可作为改进当前迁移学习方法的途径这一意义上令人鼓舞。然而，与渐近猜想相反，本工作中测试的所有迁移学习方法在大量目标样本下均被无迁移 SVM 超越。
引用
@article{arxiv.1903.11158,
title = {Weighted Multisource Tradaboost},
author = {João Antunes and Alexandre Bernardino and Asim Smailagic and Daniel Siewiorek},
journal= {arXiv preprint arXiv:1903.11158},
year = {2019}
}