自适应迁移学习和核极限学习机用于预测

目录

0、前言

1、自适应迁移学习核极限学习机原理

1.1 结构风险最小化

1.2 联合分配

1.3 流行正则化

1.4 核极限学习机模型参数​求解公式

1.5 自适应迁移学习核极限学习机训练

1.6 说明

2、预测效果

---

0、前言

借鉴迁移学习理论的基础上, 采用迭代优化方法持续更新核极限学习机模型。具体而言, 首先在目标域上训练核极限学习机模型以生成伪目标域输出值; 然后通过联合概率分布建模手段实现源域与目标域数据分布的对齐, 从而减少源、目标领域间数据分布的差异程度; 接着采用流形正则化技术进一步优化目标域数据特征提取, 深入挖掘潜在的数据分布几何结构信息; 最后基于上述两阶段优化策略构建结构风险最小化的预测模型, 并在此基础上不断迭代更新目标域预测输出结果, 最终获得最优的模型参数配置, 实现自适应迁移的学习机制构建。

1、自适应迁移学习核极限学习机原理

给定标记源域：

目标域：

![