论文部分内容阅读
特征迁移重在学习领域间共有特征,然而其忽略部分样本所含特征对结果的负面影响,使算法的精确度受到一定影响。针对此问题,论文提出了一种基于score样本选择的同构域适应迁移学习算法。该算法从源域数据集中抽取带标签且同目标域样本分布相似的样本子集作为桥梁实现源域到目标域的知识迁移。同时基于经验风险最小框架计算源域同目标域样本的域适应性。接着,对源域样本子集进行选择并迭代求解。其在共享特征子空间上自动选择标记样本并利用这些样本更易构造源域和目标域之间的辅助域适应任务,实验结果验证了该算法的有效性。