面向多源圖像數(shù)據(jù)的多任務學習方法的研究.pdf

1、傳統(tǒng)的機器學習通常假設訓練數(shù)據(jù)與測試數(shù)據(jù)分布相同，現(xiàn)實世界這種假設往往是不成立的。傳統(tǒng)的機器學習算法，不僅對數(shù)據(jù)的質量要求非常高，需要對數(shù)據(jù)進行去噪、降維等預處理工作，而且需要人為設計模型提取數(shù)據(jù)的特征，當樣本規(guī)模非常大時，會耗費大量的人力。
　　在大數(shù)據(jù)時代，面臨著不同來源的多樣性的數(shù)據(jù)集，如何將多個源域學習到的知識應用于目標域是當前跨領域學習研究的問題之一。通常不同源域的數(shù)據(jù)具有類間及類內的相關性，并且這些源域數(shù)據(jù)的分布不同，

2、融合各源域之間的類內及類間的相關性以及其分布差異性建立適用于目標域的分類模型具有重要的意義。
　　本文提出了基于多任務深度學習的共識正則化框架，適用于從多個源域到目標域的遷移學習。在這個框架中，每個源域采用多任務深度學習網絡訓練模型，將每個源域視為一個任務，并行學習多個任務不僅能提高算法的效率，而且多個任務是相關的，任務間相互約束，使得算法具有更好的分類性能?？缭从蜷g的任務，通過引入一致性正則化項優(yōu)化分類模型，使得各源域訓練得到的