知识嵌入的迁移孪生支持向量机.PDFVIP

第 卷 第 期 控 制 与 决 策 年 月 文章编号 知识嵌入的迁移孪生支持向量机 王洪元 耿 磊 倪彤光 王 冲 常州大学信息学院，江苏常州 摘 要 孪生支持向量机 相比支持向量机在解决类别不平衡数据问题上具有优势 但其在训练数据不 足时受训所得分类器的泛化能力较差 针对此问题 探讨一种知识嵌入的迁移孪生支持向量机 该分类器不但继承了 的优点 还可基于知识嵌入的思想利用从相关领域学到的知识来辅助学习以提高 分类效果 各种真实数据集上的实验结果表明 所提出的分类器在目标领域数据不足和不平衡情况下具有更佳的 性能 关键词 分类；孪生支持向量机；迁移学习；不平衡数据 中图分类号 文献标志码 ， ， ， ffi ； ； ； 引 言 同的分布 但很多实际情况下的应用并不满足此假 随着社会的进步和互联网技术的快速发展 人们 设 如训练数据过期、训练模型过期、标记训练样 获取信息的手段和规模都有了极大的改善 随之而来 本成本过高等问题的出现 大大影响了数据分析的 的问题是如何利用这些数据 机器学习作为数据挖 效能 另外 在能够采集到新的不同分布下标记清楚 掘和模式识别的重要手段之一越来越引起人们的关 的数据情况下 完全丢弃这些过期但相关的数据是很 注 例如 遗传算法、决策树、贝叶斯网络、支持向量 浪费的 因为新采集到的数据往往在数量上是不充足 机等方法被广泛地应用到人脸识别检测系统、计算 的 迁移学习就是为了更好地利用这类数据而提出 机视觉和网络安全检测等多个领域中 并取得了 的新的研究方向 它放松了对训练数据和测试数据 众多成果 虽然机器学习获取了更多数据 但是也面 同分布的要求 充分利用原有的、相关的实例或者已 临着 大难题 新型领域不断涌现 如何准确地标 训练的模型 帮助对新实例的学习 使得对新实例的 识这些数据是一件费时费力的事情 出于数据安 学习更快速有效 例如 学会了识别梨子 可以帮 全等原因 无法获取完成分类器学习所需要的足够多 助识别苹果 学会了识别自行车 可以帮助识别摩托 的数据 数据的类别不平衡性日趋严重 车 在迁移学习中 新实例数据所在的领域称为目标 传统机器学习假设训练数据与测试数据服从相 领域 而相关历史数据所在的领域称为源领域 目前 收稿日期 ；修回日期 基金项目 国家自然科学基金项目 责任编委 侯忠生 作者简介 王洪元 男 教授 博士 从事模式识别与智能系统的研究；耿磊 男 硕士生 从事计算机 视觉的