典型文献
对不平衡目标域的多源在线迁移学习
文献摘要：
多源在线迁移学习已经广泛地应用于相关源域中含有大量的标记数据且目标域中数据以数据流的形式达到的应用中.然而,目标域的类别分布有时是不平衡的,针对目标域每次以在线方式到达多个数据的不平衡二分类问题,本文提出了一种可以对目标域样本过采样的多源在线迁移学习算法.该算法从前面批次的样本中寻找当前批次的样本的k近邻,先少量生成多数类样本,再生成少数类使得当前批次样本的类别分布平衡.每个批次合成样本和真实样本一同训练目标域函数,从而提升目标域函数的分类性能.同时,分别设计了在目标域的输入空间和特征空间过采样的方法,并且在多个真实世界数据集上进行了综合实验,证明了所提出算法的有效性.
文献关键词：
多源迁移学习;在线学习;目标域;不平衡数据;过采样;k近邻;输入空间;特征空间
中图分类号：
作者姓名：
周晶雨;王士同
作者机构：
江南大学 人工智能与计算机学院,江苏 无锡 214122
文献出处：
引用格式：
[1]周晶雨;王士同-.对不平衡目标域的多源在线迁移学习)[J].智能系统学报,2022(02):248-256
A类：
多源迁移学习
B类：
目标域,在线迁移,源域,记数,数据流,在线方式,二分类问题,过采样,从前,近邻,少数类,得当,合成样本,实样,一同,提升目标,分类性能,输入空间,特征空间,真实世界数据,综合实验,在线学习,不平衡数据
AB值：
0.34354
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
