KLダイバージェンスに基づくトランスダクティブ転移学習

MENG Jiana; MENG Jiana; SUN Shichang

文献

J-GLOBAL ID：201402240848690360 整理番号：14A0352770

KLダイバージェンスに基づくトランスダクティブ転移学習

TRANSDUCTIVE TRANSFER LEARNING BASED ON KL-DIVERGENCE

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
このテーマを更に深掘りする（JDreamⅢへ） {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=14A0352770&from=J-GLOBAL&jstjournalNo=F1199A") }}

著者 (3件)： , ,
資料名：
巻： 10 号： 1 ページ： 303-313 発行年： 2014年02月
JST資料番号： F1199A ISSN： 1349-4198 資料種別：逐次刊行物 (A)
記事区分：原著論文発行国：日本 (JPN) 言語：英語 (EN)

転移学習は,ソースドメインからの訓練データとターゲットドメインからの試験データが異なる分布に従う,という問題を解決するものである。本論文で著者らは既存の十分ラベル化されたデータをうまく利用し,それらをソースとして新しいトランスダクティブ転移学習の枠組みに取り込んだ。著者らは最初に,再度重み付けした訓練データと試験データに対する相互情報に基づいた2つの写像関数を組み立てた。次に著者らは非ラベル化データに対する疑似ラベルを割り当てるために,非ラベル化データの事後確立とラベル化データの事前確率の間のKLダイバージェンスを計算した。次に,ラベル化データに加えて一連の高信頼度で新規ラベル化データを新しい分類器の訓練に用いた。提案アルゴリズムはターゲットドメインのすべての非ラベル化データが,トランスダクティブ学習の設定と同じような訓練中にも利用可能とすることを要求するもので,著者らはこれをトランスダクティブ転移学習と呼んだ。転移学習への提案アルゴリズムの有効性は感情分類の実験で検証した。(翻訳著者抄録)

, , , ,
, , , ,

人工知能

引用文献 (17件)：

H. Daumé III and D. Marcu, Domain adaptation for statistical classifiers, Journal of Artificial Intelligence Research, vol.26, no.1, pp.101-126, 2006.
C. Do and A. Ng, Transfer learning for text classification, Advances in Neural Information Processing Systems, vol.18, pp.299-306, 2006.
R. Raina, A. Battle, H. Lee et al., Self-taught learning: Transfer learning from unlabeled data, Proc. of the 24th Int. Conf. on Machine Learning, pp.759-766, 2007.
J. Blitzer, R. McDonald and F. Pereira, Domain adaptation with structural correspondence learning, Proc. of the Conf. on Empirical Algorithms in Natural Language Processing, pp.120-128, 2006.
W. Y. Dai, G. R. Xue, Q. Yang et al., Co-clustering based classification for out-of-domain instances, Proc. of the 13th Int. Conf. on Knowledge Discovery and Data Mining, pp.210-219, 2007.

前のページに戻る