多核局部领域适应学习

领域适应(或跨领域)学习旨在利用源领域(或辅助领域)中带标签样本来学习一种鲁棒的目标分类器,其关键问题在于如何最大化地减小领域间的分布差异.为了有效解决领域间特征分布的变化问题,提出一种三段式多核局部领域适应学习(multiplekernellocalleaning-baseddomainadaptation,简称mklda)方法:1)基于最大均值差(maximummeandiscrepancy,简称mmd)度量准则和结构风险最小化模型,同时,学习一个再生多核hilbert空间和一个初始的支持向量机(supportvectormachine,简称svm),对目标领域数据进行初始划分;2)在习得的多核hilbert空间,对目标领域数据的类别信息进行局部重构学习;3)最后,利用学习获得的类别信息,在目标领域训练学习一个鲁棒的目标分类器.实验结果显示,所提方法具有优化或可比较的领域适应学习性能.