基于模糊规则学习的无监督异构领域自适应

异构领域自适应是一种借助源域知识为语义相关但特征空间不同的目标域建模的技术。现有的异构领域自适应方法大多属于半监督方法,这些方法要求目标域中存在一部分已标记样本,然而这种数据集在很多异构领域自适应任务中是稀缺的。为了解决上述问题,提出了一种新的基于模糊规则学习的无监督异构领域自适应算法。一方面,该方法基于TSK模糊系统的规则学习分别对源域和目标域进行特征学习,通过学习两个特征变换矩阵将源域和目标域投影到一个公共特征子空间;另一方面,为了减少因特征变换所造成的信息损失,该算法采取了多种信息保持策略,并且最大化公共特征子空间中源域数据和目标域数据之间的相关性。通过在几个真实领域自适应数据集上进行实验,验证了所提算法相对于现有的异构领域自适应方法具有一定的优越性。

基于联合信息保持的异构领域自适应

异构领域自适应(HDA)的主要目的是借助源域的知识,辅助处于不同特征空间中目标域的数据进行建模。异构领域自适应一个核心的问题是如何在领域适配过程中有效保持原始数据的信息,减少因为特征变换导致的信息损失,提出了一个联合信息保持算法(JIP)来解决上述问题。所提算法通过两方面来保持原始数据的信息:一方面,在异构领域自适应场景中,两个领域之间通常存在大量配对样本,所提算法通过最大化配对样本之间的相关性来保持这种配对信息。另一方面,所提算法优化了结构信息保持策略,同时保持了原始数据的局部结构信息和全局结构信息。最终,将联合信息保持和分布匹配整合在一起,从而实现异构领域自适应。实验结果表明,所提算法较之于先进的异构领域自适应算法有明显优势。