基于跨域正则化模型的域适应方法研究

发布时间：2025-03-19 06:07

　　传统的机器学习方法假设训练数据和测试数据服从独立同分布,需要大量与测试数据同分布的有标记样本来保证学习模型的泛化性能。然而,在现实应用中,由于环境的变化或采样条件的限制,为某个特定的应用收集足够的训练样本是困难的甚至是不可能的。为了解决有标记样本稀缺的问题,域适应被提出来并受到了广泛的关注。域适应属于迁移学习的一个分支,放宽了传统机器学习对于数据服从独立同分布的要求。给定大量来自源域的有标记样本和大量来自目标域的无标记样本,域适应假设源域和目标域具有不同的数据分布,但是二者的任务是相同的,即有相同的类别标签,域适应的目标是利用源域内的有标记样本来帮助学习一个在目标域内具有较高泛化性能的分类器,以此来减少对于目标域内有标记样本的需求。虽然域适应方法的性能较传统机器学习方法有所提升,但是现有的方法主要侧重于如何减少源域和目标域之间的分布差异,忽略了目标域内无标记样本在分类器学习过程中的作用,当源域和目标域数据分布差异较大时难以取得理想的效果。基于经验风险最小化准则和正则化理论,本文旨在研究如何在最小化经验风险的基础上设计并添加合适的正则项,提高模型的泛化性能,以提升分类器在目标域上的准确率,...

【文章页数】：117 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景
    1.2 迁移学习和域适应
        1.2.1 迁移学习的定义
        1.2.2 迁移学习的分类
        1.2.3 域适应
    1.3 域适应的研究现状
        1.3.1 基于样本的域适应
        1.3.2 基于分类器的域适应
        1.3.3 基于特征的域适应
    1.4 主要研究内容及文章结构
        1.4.1 主要研究内容
        1.4.2 文章结构
第2章 解决域适应问题的跨域正则化模型
    2.1 经验风险最小化准则与正则化理论
        2.1.1 最小化经验风险
        2.1.2 正则化
    2.2 域适应问题描述
    2.3 跨域正则化模型
        2.3.1 分布差异的度量
        2.3.2 经验风险与结构风险
        2.3.3 跨域约束
    2.4 跨域正则化学习算法
        2.4.1 特征学习
        2.4.2 分类器学习
    2.5 本章小结
第3章 基于跨域判别分析和软标签正则化的域适应方法
    3.1 引言
    3.2 跨域判别分析
        3.2.1 减少分布差异
        3.2.2 保持数据的本质信息
        3.2.3 优化
    3.3 软标签正则化
        3.3.1 经验风险和结构风险
        3.3.2 图拉普拉斯正则项
        3.3.3 跨域约束
        3.3.4 优化
    3.4 实验验证
        3.4.1 数据集描述
        3.4.2 实验设置
        3.4.3 实验结果
        3.4.4 性能分析
    3.5 本章小结
第4章 基于结构保持的跨域特征学习的域适应方法
    4.1 引言
    4.2 结构保持的跨域特征学习
        4.2.1 分布匹配
        4.2.2 保持源域的判别信息
        4.2.3 保持目标域的局部结构
        4.2.4 优化
    4.3 与现有方法的关系
        4.3.1 迁移成分分析
        4.3.2 联合分布适应
        4.3.3 跨域判别分析
    4.4 实验验证
        4.4.1 数据集和实验设置
        4.4.2 实验结果
        4.4.3 性能分析
    4.5 本章小结
第5章 基于多视角联合正则化的域适应方法
    5.1 引言
    5.2 多视角联合正则化
        5.2.1 经验风险和结构风险
        5.2.2 跨域约束
        5.2.3 跨视角约束
        5.2.4 流形约束
        5.2.5 优化
    5.3 实验验证
        5.3.1 数据集描述
        5.3.2 对比方法
        5.3.3 实验结果
        5.3.4 性能分析
    5.4 本章小结
结论
参考文献
攻读博士学位期间发表的论文及其他成果
致谢
个人简历



本文编号：4036784