通过混合正则化对未标记目标域进行归纳转移学习

近年来,目睹了对转移学习的日益增长的兴趣。 本文针对分类问题,即与源域分布不同的目标域是完全未标记的,目的是为看不见的数据建立归纳模型。 首先,我们在转导学习的先前工作中分析了类比漂移的问题,并提出了使用归一化方法向期望的类比移动的方法。 此外,我们为归纳转移学习开发了混合正则化框架。 它考虑了三个因素,包括通过流形正则化的目标域的分布几何形状,通过熵正则化的预测概率的熵值以及通过期望正则化的类别先验。 该框架用于使从源域学习的归纳模型适应目标域。 最后,对真实世界文本数据的实验表明了我们的归纳学习迁移方法的有效性。 同时,它可以处理看不见的测试点。