安全迁移支持向量机

发布时间：2018-11-18 19:52

【摘要】：迁移学习方法是一种新的机器学习框架,它将源领域数据通过学习迁移到相似的目标领域中,减弱了对已标记数据的依赖。但迁移学习方法中一个重大问题是使用目标领域数据与源领域数据得到的分类器很可能比仅利用目标领域数据得到的分类器的效果更差,从而造成一种"负迁移"现象。针对此问题,提出一种基于目标领域已标记数据知识的安全控制机制,并通过结合近年出现的一种迁移学习分类器(TL-SVM)提出了一种安全迁移支持向量机(SATL-SVM),从理论上解决了TL-SVM的负迁移问题,在人工数据集和真实数据集上的实验结果表明了所提方法的有效性。
[Abstract]:Migration learning method is a new machine learning framework, which migrates source domain data to similar target areas by learning, which reduces the dependence on marked data. However, one of the major problems in the transfer learning method is that the classifier obtained by using target domain data and source domain data is likely to be less effective than that obtained by using only target domain data, resulting in a "negative transfer" phenomenon. In order to solve this problem, a security control mechanism based on tagged data knowledge in target domain is proposed, and a secure migration support vector machine (SATL-SVM) is proposed by combining a migration learning classifier (TL-SVM) that has emerged in recent years. The problem of negative migration of TL-SVM is solved theoretically. The experimental results on artificial data sets and real data sets show the effectiveness of the proposed method.
【作者单位】： 常州轻工职业技术学院信息工程系;
【基金】：江苏省大学生创新项目(201513101015Y) 江苏省卫生计生委信息化科研课题(X201510)基金资助
【分类号】：TP181

【相似文献】

相关期刊论文 前10条

1 邹斌,李落清;支持向量机回归与v-支持向量机分类解的关系[J];湖北大学学报(自然科学版);2004年01期

2 吴娟;范玉妹;王丽;;关于改进的支持向量机的研究[J];攀枝花学院学报;2006年05期

3 刘硕明;刘佳;杨海滨;;一种新的多类支持向量机算法[J];计算机应用;2008年S2期

4 尹传环;牟少敏;田盛丰;黄厚宽;;单类支持向量机的研究进展[J];计算机工程与应用;2012年12期

5 王云英;阎满富;;C-支持向量机及其改进[J];唐山师范学院学报;2012年05期

6 李逢焕;;试述不确定支持向量机应用分析及改进思路[J];中国证券期货;2012年12期

7 邵惠鹤;支持向量机理论及其应用[J];自动化博览;2003年S1期

8 曾嵘,蒋新华,刘建成;基于支持向量机的异常值检测的两种方法[J];信息技术;2004年05期

9 魏玲,张文修;基于支持向量机集成的分类[J];计算机工程;2004年13期

10 沈翠华,邓乃扬,肖瑞彦;基于支持向量机的个人信用评估[J];计算机工程与应用;2004年23期

相关会议论文 前10条

1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

2 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

3 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年

4 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年

5 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

6 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年

7 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

8 张晓滨;尹英顺;赵培坤;马秀兰;;基于渐进直推支持向量机的半对半多类文本分类[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

9 徐会敏;王玉兰;;线性规划支持向量机模型的研究[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

10 郭一楠;程健;肖大伟;杨梅;;分布式多分类支持向量机[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

相关博士学位论文 前10条

1 张晓雷;支持向量机若干问题的研究[D];清华大学;2012年

2 郭虎升;支持向量机的优化建模方法研究[D];山西大学;2014年

3 姚毓凯;支持向量机关键技术及其在人体活动识别中的应用研究[D];兰州大学;2015年

4 张华美;穿墙雷达基于支持向量机的成像算法研究[D];南京邮电大学;2015年

5 王喜宾;基于优化支持向量机的个性化推荐研究[D];重庆大学;2015年

6 夏书银;基于分类噪声检测的支持向量机算法研究[D];重庆大学;2015年

7 闫辛;半监督支持向量机模型与算法研究[D];上海大学;2016年

8 陈素根;非平行平面支持向量机及特征提取中若干问题研究[D];江南大学;2016年

9 刘大莲;大规模稀疏支持向量机算法研究[D];北京交通大学;2017年

10 鞠哲;基于支持向量机的赖氨酸翻译后修饰位点预测方法研究[D];大连理工大学;2016年

相关硕士学位论文 前10条

1 佟乐;添加Universum数据双支持向量机[D];河北大学;2015年

2 胡金扣;鲁棒支持向量机研究[D];河北大学;2015年

3 邱志勇;一类支持张量机及其算法研究[D];华南理工大学;2015年

4 李萌;基于支持向量机的高分遥感影像分类技术研究与应用[D];中国地质大学(北京);2015年

5 李胜刚;基于支持向量机的短期风电功率预测[D];湖南工业大学;2015年

6 孙亭亭;基于支持向量机的燃煤机组燃烧优化算法的研究[D];山东大学;2015年

7 王芳;基于支持向量机的沪深300指数回归预测[D];山东大学;2015年

8 武放;基于支持向量机的复杂工业系统典型非正常工况分类问题研究[D];哈尔滨工业大学;2015年

9 王恩;监督和半监督支持向量机研究[D];西安邮电大学;2015年

10 吴福林;孪生支持向量机模型选择问题研究[D];中国矿业大学;2015年

，

本文编号：2341026