基于关系映射的迁移模型研究及应用

发布时间：2022-08-13 15:16

　　随着机器学习的不断发展,迁移学习也受到越来越多的研究者的关注。迁移学习之所以受到重视是因为在提高算法的自适应能力,解决领域数据不足的问题,减少算法的训练时间等方面都可以发挥重要的作用。迁移学习在解决原始问题时引入源领域,借助源领域的知识来帮助解决目标领域的问题,这个目标领域就是原始问题对应的领域。迁移学习的源领域和目标领域可以是同构的,也就是源领域与目标领域的数据分布、特征空间和输出空间都相同,反之,如果不是都相同,则被认为是异构的。这意味着异构迁移学习打破了传统机器学习的独立同分布假设,因此学习起来将更为困难。本文研究的是异构领域的迁移模型,我们利用关系映射的思想进行迁移,其本质是构造源领域与目标领域之间的关系,然后借助这种关系进行迁移。我们将关系映射的迁移学习思想与两种不同的机器学习方法相结合,得到了基于谓词映射的马尔科夫逻辑网络迁移模型和基于双向关系映射的迁移强化学习模型,分别解决了领域数据不足和算法训练时间过长的问题。马尔科夫逻辑网络是一种依靠逻辑关系进行推理的机器学习模型,我们利用源领域和目标领域一阶逻辑公式之间的关系,使用谓词映射构造目标领域的一阶逻辑公式,并利用规则筛选、... 

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题研究背景和意义
        1.1.1 课题研究背景
        1.1.2 课题研究意义
    1.2 国内外研究现状
        1.2.1 迁移学习研究现状
        1.2.2 马尔科夫逻辑网络的迁移研究
        1.2.3 强化学习的迁移研究
    1.3 主要研究内容
    1.4 论文组织结构
第2章 本文相关技术
    2.1 马尔科夫逻辑网络的迁移
        2.1.1 马尔科夫逻辑网络
        2.1.2 谓词映射
        2.1.3 单实体为中心的实例
    2.2 强化学习的迁移
        2.1.1 Keepaway测试平台
        2.1.2 强化学习
        2.1.3 Tile编码
    2.3 本章小结
第3章 基于谓词映射的MLN迁移模型
    3.1 研究问题描述
    3.2 基于谓词映射的迁移算法设计
        3.2.1 逻辑公式的谓词映射
        3.2.2 逻辑公式的数据验证
        3.2.3 逻辑公式的规则筛选
        3.2.4 MLN模型的谓词覆盖
    3.3 评估方法和数据
    3.4 实验结果及分析
        3.4.1 实验结果
        3.4.2 实验分析
    3.5 舆情数据实验
        3.5.1 特征和数据的谓词化
        3.5.2 源领域MLN模型的建立
        3.5.3 迁移效果评估
    3.6 本章小结
第4章 基于双向关系映射的TRL模型
    4.1 研究问题描述
    4.2 基于双向关系映射的迁移算法
        4.2.1 双向关系映射迁移框架的描述
        4.2.2 Keepaway问题建模
        4.2.3 基于迁移框架的迁移算法设计
    4.3 实验过程及分析
        4.3.1 源领域的训练周期
        4.3.2 DMap-Multi的指导周期
        4.3.3 DMap-Best的指导周期
    4.4 实验结果对比
    4.5 本章小结
结论
参考文献
攻读硕士学位期间发表的论文及其它成果
致谢



本文编号：3677274