模式识别与人工智能
2025年4月3日 星期四   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2019, Vol. 32 Issue (9): 773-784    DOI: 10.16451/j.cnki.issn1003-6059.201909001
论文与报告 最新目录| 下期目录| 过刊浏览| 高级检索 |
两阶段领域自适应学习
田磊1,2, 唐永强1,2, 张文生1,2
1.中国科学院自动化研究所 精密感知与控制中心 北京 100190
2.中国科学院大学 人工智能学院 北京 100049
Two Stage Domain Adaptation Learning
TIAN Lei1,2, TANG Yongqiang1,2, ZHANG Wensheng1,2
1. Research Center of Precision Sensing and Control, Institute of Automation, Chinese Academy of Sciences, Beijing 100190
2. School of Artificial Intelligence, University of Chinese Academy of Sciences, Beijing 100049

全文: PDF (706 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 针对领域自适应问题中源域和目标域的联合分布差异最小化问题,提出两阶段领域自适应学习方法.在第一阶段考虑样本标签和数据结构的判别信息,通过学习一个共享投影变换,使投影后的共享空间中边缘分布的差异最小.第二阶段利用源域标记数据和目标域非标记数据学习一个带结构风险的自适应分类器,不仅能最小化源域和目标域条件分布差异,还能进一步保持源域和目标域边缘分布的流形一致性.在3个基准数据集上的实验表明,文中方法在平均分类准确率和Kappa系数两项评价指标上均表现较优.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
田磊
唐永强
张文生
关键词 领域自适应两阶段学习边缘分布适配条件分布适配判别信息保留    
Abstract:Aiming at minimization of the joint distribution difference between source domain and target domain in domain adaptation, a two-stage domain adaptation learning method is proposed. In the first stage, the discriminative information of sample labels and the data structure are considered, and a shared projection transformation is learned to minimize the difference of marginal distribution in the shared-projected space. In the second stage, an adaptive classifier with structural risk is learned by the labeled source data and unlabeled target data. The classifier minimizes the difference of conditional distribution of source domain and target domain as well as maintains the manifold consistency underlying the marginal distributions. Experiments on three benchmark datasets show that the method achieves better results on average classification accuracy and the Kappa coefficient.
Key wordsDomain Adaptation    Two-Stage Learning    Marginal Distribution Alignment    Conditional Distribution Alignment    Discriminant Information Preservation   
收稿日期: 2019-05-12     
ZTFLH: TP 391  
基金资助:国家自然科学基金项目(No.U1636220,61472423)资助
通讯作者: 张文生,博士,教授,主要研究方向为人工智能、机器学习、数据挖掘.E-mail:zhangwenshengia@hotmail.com.   
作者简介: 田 磊,博士研究生,主要研究方向为模式识别、数据挖掘.E-mail:tianlei2017@ia.ac.cn;唐永强,博士,助理研究员,主要研究方向为计算机视觉、数据挖掘、机器学习.E-mail:tangyongqiang2014@ia.ac.cn.
引用本文:   
田磊, 唐永强, 张文生. 两阶段领域自适应学习[J]. 模式识别与人工智能, 2019, 32(9): 773-784. TIAN Lei, TANG Yongqiang, ZHANG Wensheng. Two Stage Domain Adaptation Learning. , 2019, 32(9): 773-784.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.201909001      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2019/V32/I9/773
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn