层次K-均值聚类结合改进ITML的迁移度量学习方法

发布时间：2018-07-01 10:18

  本文选题：迁移度量学习 + 层次K-均值聚类　； 参考：《计算机应用研究》2017年12期

【摘要】：目前的迁移学习方法多针对单一迁移类型,使用低级特征空间,并且源集比目标集复杂耗力。针对这些问题,综合考虑特征表示迁移、参数迁移和实例迁移,提出迁移度量学习的通用框架。首先,基于属性相似性空间和类别相似性空间,利用层次K-均值聚类获取相似性;然后,利用信任评估框架和去相关归一化转换方法消除源集中的相关关系来抑制负迁移作用;最后,改进信息理论度量学习方法(ITML)进行相似性度量学习。对三种不同复杂度数据集进行实验,结果表明,提出方法的迁移学习性能较传统方法明显提高,且对负迁移影响具有更好的鲁棒性;提出的方法可应用于源集比目标集简单的情况,评估结果表明,即使源集知识有限,也可以得到较好的迁移学习效果。
[Abstract]:Most of the current transfer learning methods aim at a single migration type, use low-level feature space, and the source set is more complex than the target set. In order to solve these problems, a general framework of migration metric learning is proposed by considering feature representation migration, parameter migration and instance migration. Firstly, based on attribute similarity space and class similarity space, hierarchical K-means clustering is used to obtain similarity, then trust assessment framework and de-correlation normalized transformation method are used to eliminate the correlation relation in source set to suppress negative migration. Finally, we improve the information theory metric learning method (ITML) for similarity measurement learning. Experiments on three kinds of data sets with different complexity show that the performance of the proposed method is better than that of the traditional method, and it is more robust to the influence of negative migration. The proposed method can be applied to the case where the source set is simpler than the target set. The evaluation results show that even if the source set knowledge is limited, the transfer learning effect can be achieved.
【作者单位】： 广西科技师范学院数学与计算机科学学院;武汉大学软件工程国家重点实验室;武汉理工大学信息工程学院;
【基金】：国家自然科学基金资助项目(61202143) 广西自然科学基金资助项目(2014GXNSFAA118027)
【分类号】：TP181

【相似文献】

中国期刊全文数据库 前10条

1 武小红;周建江;;联合模糊c-均值聚类模型(英文)[J];Transactions of Nanjing University of Aeronautics & Astronautics;2006年03期

2 孔锐,张国宣,施泽生,郭立;基于核的K-均值聚类[J];计算机工程;2004年11期

3 武小红;何光普;李敏;;新的改进型可能C-均值聚类[J];吉林大学学报(工学版);2008年S2期

4 安爱芬;;一种加速的k-均值聚类方法[J];韶关学院学报;2012年12期

5 王秀华;;一种并行的加速k-均值聚类方法[J];电脑知识与技术;2013年18期

6 武小红;周建江;李海林;胡彩平;;基于非欧式距离的可能性C-均值聚类[J];南京航空航天大学学报;2006年06期

7 王学恩;韩德强;韩崇昭;;采用不确定性度量的粗糙模糊C均值聚类参数获取方法[J];西安交通大学学报;2013年06期

8 王秀华;;基于随机抽样的加速K-均值聚类方法[J];计算机与现代化;2013年12期

9 张君昌;李明;谷卫东;;融合减法聚类与C-均值聚类的目标定位方法[J];计算机仿真;2012年07期

10 郑芸芸;王萍;游强华;;基于k-均值聚类的朴素贝叶斯分类算法[J];福建电脑;2013年11期

中国重要会议论文全文数据库 前5条

1 陈彪;徐捷;;基于遗传算子和粒子群混合的K均值聚类方法[A];2009年中国智能自动化会议论文集（第三分册）[C];2009年

2 杜方键;杨宏晖;;K均值聚类优化集成学习[A];2011'中国西部声学学术交流会论文集[C];2011年

3 周霄鹏;齐瑞云;;一种基于改进型可能性C-均值聚类和故障向量的未知类型故障诊断方法[A];第24届中国控制与决策会议论文集[C];2012年

4 杨春梅;万柏坤;丁北生;;数据预处理和初始化方法对K-均值聚类的影响[A];中国仪器仪表学会第五届青年学术会议论文集[C];2003年

5 王启志;王晓霞;;基于模糊C均值聚类的故障诊断[A];2008中国仪器仪表与测控技术进展大会论文集（Ⅲ）[C];2008年

中国硕士学位论文全文数据库 前2条

1 赵伟刚;基于数据预处理和K-均值聚类的支持向量回归预测模型[D];兰州大学;2012年

2 姜丽;模糊C均值聚类的理论与应用研究[D];浙江工商大学;2010年

，

本文编号：2087459