迁移学习到底是什么 杨强TCA2011 龙明盛JDA(联合分布适应Joint distribution adaptation)2013
TCA(transfer 主成分分析)TCA针对domain adaptation问题中,源域和目标域处于不同数据分布时,将两个领域的数据一起映射到一个高维的再生核希尔伯特空间。在此空间中,最小化源和目标的数据距离,同时最大程度地保留它们各自的内部属性。TCA属于基于特征的迁移学习方法。用通俗的语言来说,跟PCA很像:PCA是一个大矩阵进去,一个小矩阵出来,TCA呢,是两个大矩阵进去,两个小矩..
·
TCA(transfer 主成分分析)2011年min Distance D from S
TCA针对domain adaptation问题中,源域和目标域处于不同数据分布时,将两个领域的数据一起映射到一个高维的再生核希尔伯特空间。在此空间中,最小化源和目标的数据距离,同时最大程度地保留它们各自的内部属性。
TCA属于基于特征的迁移学习方法。用通俗的语言来说,跟PCA很像:PCA是一个大矩阵进去,一个小矩阵出来,TCA呢,是两个大矩阵进去,两个小矩阵出来。从学术角度讲,直观地理解就是,在现在这个维度上不好最小化它们的距离,那么我就找个映射,在映射后的空间上让它们最接近,那么我不就可以进行分类了吗?
1 、距离公式:最大均值差异距离(MMD,maximum mean discrepancy)
2 引入核矩阵
3 距离变成trace(KL)-lamda*trace(K)
普通数据降维方法
1 主成分分析(PCA,principal component analysis)
2 局部线性嵌入(LLE,locally linear embedding
3 拉普拉斯特征映射(Laplacian eigen-map)
更多推荐
已为社区贡献2条内容
所有评论(0)