کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
4947225 | 1439569 | 2017 | 37 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Conformity-based source subset selection for instance transfer
ترجمه فارسی عنوان
انتخاب زیر مجموعه منبع مبتنی بر مطابقت به عنوان مثال انتقال
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
یادگیری انتقال نمونه انتخاب زیر مجموعه منبع، تست کنترول،
ترجمه چکیده
انتقال نمونه به منظور بهبود مدل پیش بینی برای یک دامنه هدف با انتقال داده ها از حوزه های منبع مرتبط انجام می شود. اثربخشی انتقال نمونه به وابستگی داده های منبع به حوزه هدف بستگی دارد. هنگامی که ارتباط داده های منبع محدود است، تنها گزینه این است که زیر مجموعه ای از داده های منبع را انتخاب کنید که مرتبط بودن آن قابل قبول است. در این مقاله، ما سه الگوریتم را معرفی می کنیم که انتخاب قبل از آموزش مدل را انجام می دهند. الگوریتم ها یک آزمون مبتنی بر انطباق را برآورده می کنند که براساس نمونه های فردی یا زیر مجموعه ها به عنوان یک کل مربوط است. آزمایشات انجام شده بر روی چهار مجموعه داده های دنیای واقعی اثربخشی الگوریتم های پیشنهادی را نشان داد. به ویژه، نشان داده شده است که انتخاب زیر مجموعه های آموزشی قبل از آموزش براساس مجموعه ای از ارتباطات، توانایی انتقال تکنیک های انتقال نمونه را دارد.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
هوش مصنوعی
چکیده انگلیسی
Instance transfer aims at improving prediction models for a target domain by transferring data from related source domains. The effectiveness of instance transfer depends on the relevance of source data to the target domain. When the relevance of source data is limited, the only option is to select a subset of source data of which the relevance is acceptable. In this paper, we introduce three algorithms that perform source-subset selection prior to model training. The algorithms employ a conformity-based test that estimates the source-subset relevance based on individual instances or on subsets as a whole. Experiments conducted on four real-world data sets demonstrated the effectiveness of the proposed algorithms. Especially, it was shown that pre-training subset-selection based on set relevance is capable of outperforming the existing instance-transfer techniques.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 258, 4 October 2017, Pages 41-51
Journal: Neurocomputing - Volume 258, 4 October 2017, Pages 41-51
نویسندگان
Shuang Zhou, Evgueni Smirnov, Gijs Schoenmakers, Ralf Peeters,