原创力文档- 1、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。。
- 2、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
- 3、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
本发明公开了一种结合类内特征对齐与柔性超参度量学习的迁移学习方法，包括以下步骤：结合源域多样性与目标域不确定性原则，对未标记的样本进行选择性标记，减少需要标注的样本数量；将特征散度挖掘扩展到类内水平，并对每个类的散度进行测量，所要求的特征具有良好的类内相关性和类别区分度；将模型距离度量的损失函数中的固定超参数替换为连续可变的超参数，并与目标域的样本几何形状相结合，形成一个混合损失结构，使其模型损失优化能够根据不同任务的变化而动态调整；形成混合损失函数及目标域分类器，对目标域样本进行分类。本发明能
(19)国家知识产权局
(12)发明专利申请
(10)申请公布号 CN 117056771 A
(43)申请公布日 2023.11.14
(21)申请号 202310923660.6
(22)申请日 2023.07.26
(71)申请人 杭州电子科技大学
地址 3100
文档评论（0）