《表4 各异构迁移学习算法的特点》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《异构迁移学习研究综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

Kulis等[30]提出的一种不对称正则化交叉域变换（asymmetric regularized cross-domain transformation，ARC-t）方法正是将异构的目标域实例映射到源域，且映射是在核空间中学习的。通过采用高斯RBF核函数代替标准内积，实现了源域输入空间和目标域输入空间之间的非线性变换，完成异构非对称知识迁移。针对多源的情况，Harel等[31]提出一种多重映射算法（multiple outlook mapping algorithm，MOMAP），先规范源域和目标域中的特性，再将源域和目标域中的样本按类进行分组，且分组内的特征平均值为零。然后，在这些源类组和目标类组之间进行配对，并通过奇异值分解求解出源域各类组到目标域对应类组的变换矩阵。Zhou等[32]提出了一种称为稀疏异构特征表示（sparse heterogeneous feature representation，SHFR）的方法，它给源域与目标域里每个类都建立一个二进制分类器，且这些二进制分类器具有各自的权重项，基于组合加权的分类器不断优化权重项，以最小化目标权重与经过变换的源权重之差为目标，得出变换矩阵。针对软件模块缺陷预测的应用，Nam等[33]提出了一种称为异构缺陷预测（heterogeneous defect prediction，HDP）的算法，先是采用增益比等特征选择方法在源域内挑出重要特征，避免特征之间的冗余和不相关。然后，通过柯尔莫哥洛夫—斯米尔诺夫（Kolmogorov-Smirnov）试验找出和目标特征有着密切统计匹配关系的源特征，并将它们用于训练学习。很多异构解决方法都假定源域和目标域的实例分布相同，但是在实际应用中并不总是这么理想。参考文献[34]提出混合异构迁移学习（hybrid heterogeneous transfer learning，HHTL）算法，它基于边缘化堆叠去噪自动编码器的深度学习，可以有效减少变换完成的未标记目标域与已标记源域之间的分布偏差。上述介绍的异构迁移学习算法的特点总结见表4。