-
公开(公告)号：CN117056771A
公开(公告)日：2023-11-14
申请号：CN202310923660.6
申请日：2023-07-26
Applicant: 杭州电子科技大学
IPC: G06F18/24 , G06F18/214 , G06N3/096 , G06N3/088
Abstract: 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。本发明能够通过增加类内特征对齐以及对边缘超参进行动态改进，来识别数据的潜在结构信息和提升目标样本的识别精度。
Search Results
1
records
(took 0.017 seconds)
筛选
AND
AND
过滤
NOT
NOT
Scan to Join
