Online-Transferlernen mit mehreren homogenen oder heterogenen Quellen

Techniken des Transferlernens wurden umfassend in Anwendungen eingesetzt, bei denen es schwierig ist, gekennzeichnete Daten in einem Zielbereich zu erhalten, während in verwandten Quellbereichen eine Vielzahl von gekennzeichneten Daten verfügbar ist. In der Praxis kann es mehrere Quellbereiche geben, die mit dem Zielbereich in Zusammenhang stehen, und wie man diese kombiniert, ist weiterhin ein offenes Problem. In diesem Papier streben wir an, gekennzeichnete Daten aus mehreren Quellbereichen zu nutzen, um die Klassifikationsleistung in einem Zielbereich zu verbessern, in dem die Zieldaten in einem Online-Verfahren empfangen werden. Dieses Problem ist als das Problem des Online-Transferlernens bekannt. Um dies zu erreichen, schlagen wir neuartige Paradigmen des Online-Transferlernens vor, bei denen die Quell- und Zielbereiche adaptiv genutzt werden. Wir betrachten zwei verschiedene Problemstellungen: homogenes Transferlernen und heterogenes Transferlernen. Die vorgeschlagenen Methoden funktionieren auf eine Online-Art, bei der die Gewichte der Quellbereiche dynamisch angepasst werden. Wir stellen die Fehlergrenzen der vorgeschlagenen Methoden bereit und führen umfassende Experimente an realen Datensätzen durch, um die Effektivität der vorgeschlagenen Algorithmen zu demonstrieren.