基于数据分布自适应的迁移学习算法比较研究

机器学习通常要求训练数据和测试数据来源于同一特征空间并服从相同的分布,如果条件不满足,则需就要重新收集训练数据并重新训练模型。迁移学习作为解决这一问题的有效方法,其中基于数据分布的自适应迁移学习已成为该领域主要的研究方向之一。为比较已有数据分布自适应迁移学习算法性能,在3种公开数据集Image-CLEF、Amazon Review、Office-Caltech上通过TCA、JDA、CORAL、GFK、BDA、EasyTL算法验证6种算法的有效性,并分析比较它们之间的性能差异。结果表明,6种迁移学习算法在Image-CLEF、Amazon Review、Office-Caltech数据集上迁移效果依次降低,EasyTL算法在3种数据集上表现良好。