|
通过核映射跨域分布适应
Cross Domain Distribution Adaptation via Kernel Mapping |
|
| |
| 课程网址: |
http://videolectures.net/kdd09_zhong_cddavkm/
|
| 主讲教师: |
Wei Fan
|
| 开课单位: |
百度公司
|
| 开课时间: |
2009-09-14
|
| 课程语种: |
英语
|
| 中文简介: |
.当标记的例子是有限的，很难获得，学习通过知识转移从源域到目标域的精度提高学习的。然而，现有的方法假设，即边际和条件概率是直接相关的源和目标域之间，在原有的空间和线性变换的有限的适用性。为了解决这个问题，我们提出了一种自适应核方法映射的源域与目标域数据的边缘分布到一个共同的内核空间，并利用样本选择策略得出的条件概率两个域之间的距离。我们正式表明，内核映射空间下，在两个域之间分布的差异性是有限的；与所提出的方法的预测误差也可以是有界的。实验结果表明，该方法优于传统的归纳分类，和国家的最先进的基于Boosting的传递算法在大多数领域，包括文本分类、网页评级。特别是，它可以达到10%左右的高精度比其他方法的文本分类问题
|
| 课程简介: |
.当标记的例子是有限的，很难获得，学习通过知识转移从源域到目标域的精度提高学习的。然而，现有的方法假设，即边际和条件概率是直接相关的源和目标域之间，在原有的空间和线性变换的有限的适用性。为了解决这个问题，我们提出了一种自适应核方法映射的源域与目标域数据的边缘分布到一个共同的内核空间，并利用样本选择策略得出的条件概率两个域之间的距离。我们正式表明，内核映射空间下，在两个域之间分布的差异性是有限的；与所提出的方法的预测误差也可以是有界的。实验结果表明，该方法优于传统的归纳分类，和国家的最先进的基于Boosting的传递算法在大多数领域，包括文本分类、网页评级。特别是，它可以达到10%左右的高精度比其他方法的文本分类问题
|
| 关 键 词: |
源代码; 映射; 目标域数据
|
| 课程来源: |
视频讲座网
|
| 最后编审: |
2020-06-29：yumf
|
| 阅读次数: |
100
|
|
图 书 馆