源域
- 基于改进迁移学习的运动想象分类识别算法
;基于DTW进行源域数据对齐,计算与目标域数据的KL散度,并通过源域数据加权处理,提高了目标域数据的分类识别准确率[12];利用欧式对齐(EA)源域数据,以提升BCI迁移学习效率,相较于黎曼空间对齐(RA)方法速度更快[13]。上述研究通过在样本维度上进行度量和加权以提高分类识别准确率,更适用于样本数据量较大的情况,但在样本量小的情况下,迁移效果并不理想。基于特征的迁移学习研究方面,如:基于实验前脑电信号低维表征的迁移学习脑电信号解码框架,并用于提取受试者
计量学报 2023年11期2023-12-06
- 基于稀疏字典表示的无监督域适应学习算法
形式是利用相关的源域知识辅助目标域学习,以解决目标域数据或数据标签稀缺的问题。人类对于迁移学习的能力则是与生俱来的,一些成语如“举一反三”“照猫画虎”和“依葫芦画瓢”等也俱能反映出人类的迁移学习能力很强。但是,这种迁移能力往往体现在两种相同的事物中,如学会自行车的骑行可以较好地帮助学习骑电动自行车,自行车和电动自行车在大体结构上是相同的。学会象棋的人也能较为容易地学会国际象棋,因为两种棋类有很多的共通知识。因此,迁移学习的主要方法就是寻找源领域和目标领域中
计算机应用与软件 2023年7期2023-08-10
- 一种新的半监督归纳迁移学习框架：Co-Transfer
泛应用于将知识从源域迁移到相关的目标域的任务[1-2].根据Pan 等人[1]的工作，迁移学习可分为3 类：归纳迁移学习、直推式迁移学习和无监督迁移学习.有着与前面这3 种迁移学习不同的设置，一种名为“半监督迁移学习”的研究开始被学术界关注[3-6]，它被用于解决许多实际应用问题，其学习范式一般是目标域中仅有少量样本被标记，而源域中的所有样本都被标记或者是源域中有一个预训练模型.但是，与这种“半监督迁移学习”不一样，在许多实际应用中，源域和目标域中包含标记
计算机研究与发展 2023年7期2023-07-20
- 多源域分布下优化权重的迁移学习Boosting方法
移学习是为了解决源域与目标域数据空间分布不一致情况下，从源域中抽取有用的知识训练模型。因其可以在目标域训练数据不完备的情况下从源域迁移获取知识，减少了获取标注目标域数据的成本。近年来，迁移学习在各个领域都有着高度的关注与广泛的应用[1]。当一组数据很容易过时，可能会出现迁移学习的需求。在这种情况下，在一个时间段内获得的标记数据在以后的时间段内可能不会遵循相同的分布[2]。此外，在目标域没有标注或者标注目标域数据代价高昂的情况下，迁移学习可以节省大量的标记工
计算机与生活 2023年6期2023-06-07
- 论柳宗元流寓文学创作的意象图式与隐喻编码
个大类。第一类是源域与目标域只存在一组对应关系的单质意象图式，这个类别包含三种隐喻建构方式：一是基于自己的审美情趣与流寓心理，选择带有民族印记、积淀着历史文化的“表象”以构建意象图式；二是在传统隐喻结构上添加语码，赋予已有意象图式新的隐喻功能；三是进行个人化的“表象赋值”，在特定语境中自然生成单质意象图式。单质意象图式在柳宗元的流寓文学创作中使用频率较高。第二类是源域与目标域之间至少存在两组对应关系的化合意象图式，这个类别包含两种隐喻建构方式。第一种方式是
江汉论坛 2023年4期2023-05-27
- 对不平衡数据的多源在线迁移学习算法
利用从一个或多个源域中提取的有用信息来提高目标域的学习性能。一个典型的例子是，收集足够的老虎数据是困难的，但猫的数据是丰富的，迁移学习可以用来建立一个利用猫数据的老虎分类模型。因此迁移学习显著的好处就是，利用源域中的有用知识提高整体函数预测性能，并减少昂贵的数据标记工作。因此，迁移学习已经被应用到各个领域，赵鹏飞等人[5]阐述了不同的迁移学习方法在人机对话系统的意识识别任务中的应用。任豪等人[6]介绍了迁移学习在跨领域的推荐算法上的应用。迁移学习研究之初仅
计算机与生活 2023年3期2023-03-10
- 基于相似性迁移的网络流量分类方法
布一致，利用旧的源域知识帮助目标域的学习，实现知识迁移。将基于样本的迁移学习理论TrAdaBoost[6]应用于网络流量分类面临3个问题：一是源域数据与目标域数据相似度低差异较大时，分类效果不好且可能出现负迁移；二是TrAdaBoost是二分类输出模型，需要改变使其适应网络流量多分类任务；三是多次迭代后源域权重的快速收敛问题。基于此，本文提出一种基于相似性迁移的网络流量分类方法，引入TrAdaBoost模型并进行改进，解决上述问题，实现网络流量多分类。1
计算机工程与设计 2023年2期2023-02-21
- 基于自纠错伪标签的无监督域自适应
同领域(分别称为源域和目标域)的问题。若用源域的标记样本进行训练学习到的模型，在不进行域自适应的情况下直接应用于目标域样本，则模型会出现明显的性能下降。这种性能的降低主要是由于两个领域之间存在因为数据分布差异而导致的域偏移所造成。不少域自适应方法采用伪标签[2]的思想，利用源域数据训练出的模型为目标域生成伪标签。但是现存的伪标签方法存在两个不足之处：伪标签由源域数据训练的模型生成，这会导致伪标签受限于源域数据，因为域迁移现象，该伪标签无法完全适配目标域数据
计算机技术与发展 2023年1期2023-02-06
- 多率量测下随机跳变系统迁移交互多模型估计
计器.该方法利用源域滤波器处理缓慢、不规则采样且不易获得的高精度辅助量测数据,而通过目标域滤波器处理快速、规则采样和无延迟的常规量测数据.同时,利用平滑策略实现源域慢速率辅助量测信息到目标域快速率数据的知识迁移.然后,通过定义利用常规量测数据获得的待估计状态的后验概率与引入高精度辅助量测数据获得的待估计状态的后验概率之间差异性度量方法,求解最优的贝叶斯迁移估计器,实现辅助信息的充分利用,提高了估计精度.本文的创新点和贡献主要体现在以下4 个方面:1) 不同
自动化学报 2023年1期2023-01-16
- 基于shapelets时间序列的多源迁移学习滚动轴承故障诊断方法
工况下的数据作为源域与目标域，通过迁移学习实现了小样本条件下滚动轴承故障的精确诊断。PANG等[12]利用跨域堆叠降噪自编码器实现了跨领域滚动轴承故障诊断。上述基于迁移学习的故障诊断方法证明了通过知识迁移提高滚动轴承故障诊断精度的可行性，但它们都是采用相同设备在不同工况下的试验数据来验证迁移效果的。如果源域与目标域的相关性不强，那么迁移学习有可能出现负迁移与次优解的问题。相比单源迁移学习，多源迁移学习不仅可以从多个源域中挖掘出更多的知识用于目标域的学习，还
中国机械工程 2022年24期2023-01-05
- 宋代男女词人笔下女性隐喻源域的认知比较
词人笔下女性隐喻源域的异同。此处女性隐喻指以和女性相关的方方面面，包括但不限于身形外貌、衣着配饰、人品性格、感情遭遇等，做源域或目标域的隐喻。一、研究设计本文的研究对象为宋代289首男词人词作，全部来自许渊冲译《宋词三百首》，宋代59首女词人词作中，11首来自许渊冲译《宋词三百首》，由于数量偏少，故补充了另外48首来自网络数据库赵彦春、茅于美等的译作。虽然没有穷尽所有宋词，但选择被权威译者研究过的宋词代表作品作为研究对象，有助于得出具有一定代表性的研究结论
盐城工学院学报（社会科学版） 2022年4期2022-11-24
- 基于多源域深度迁移学习的舵机在线故障诊断
其主要思想是利用源域有标注的数据，训练出与源域数据分布不同的目标域样本的泛化故障诊断模型。迁移学习分为基于实例的迁移学习、基于特征的迁移学习和基于参数的迁移学习。基于特征的迁移学习方法因具有很好的纠正差异能力得到了广泛研究，其将源域样本和目标域样本映射到共享特征空间，通过度量并最小化源域和目标域数据特征之间的分布差异来挖掘两者之间的相似性，使得在源域上训练好的模型能应用于目标域任务中。常用的差异度量方式有最大均值偏差(maximum mean discre
兵器装备工程学报 2022年9期2022-10-14
- 基于概念隐喻理论的韩汉位移动词语义对比分析*
——以“”与“出”为例
映射，映射一般由源域向目标域（靶域）进行。多义动词语义扩展的过程与之相符。表1 基于概念隐喻理论的动词语义分析模式我们知道，隐喻一般从源域向靶域映射，语义的衍生过程就是人们对该词语的认知从源域映射到靶域的过程。但原型语义不等于源域，原型语义代表的是语义家族的相似性。而源域是语义最初的认知域。通常源域是与人或与人的经验有关。因此“”与“出”的源域也与人有关。“”与“出”的源域均为人体，具有从[+母胎内→母体外]的语义表征。“”与“出”的语义从源域映射到各个靶
新教育时代电子杂志(教师版) 2022年19期2022-09-30
- 基于渐进多源域迁移的无监督跨域目标检测
检测算法.其中,源域数据集(如图1 中上行图片)有分类标注与边界框标注,而目标域没有标注信息(如图1 中下行图片).将大量易得的标注数据的知识迁移到其他不易得且缺乏标注的数据域中,以提升检测器在不同场景下的适应能力,是本文的主要研究目的.图1 Cityscapes[9] (上)与Foggy Cityscapes[10] (下)示例图Fig.1 Examples from Cityscapes[9] (up) and Foggy Cityscapes[10]
自动化学报 2022年9期2022-09-30
- 基于多源域深度迁移学习的机械故障诊断
上研究主要是从单源域出发利用域适应或域对抗学习方法解决变工况、不同设备、新工况故障数据不足以及出现未知故障的旋转机械故障诊断问题。然而在实际工业场景中，由于单一工况或单一设备的个性，进行单源域迁移学习会出现域不匹配造成负迁移和模型泛化能力不足的现象。而从多种工况的数据出发，即进行多源域下迁移学习任务，能够集成多源域故障特征信息，提取更好的域不变公共特征，学习到故障知识，将对于未知工况下的故障诊断具有较好的诊断效果。因此，本文将结合锚适配器集成和深度神经网络
振动与冲击 2022年9期2022-05-16
- 聚类中心对齐的无监督域适应网络
标注数据集定义为源域，无标签的新数据集定义为目标域，由于两个域的特征空间和分布并不相同，直接使用源域数据训练的分类器对目标域数据的分类效果不尽人意.因此，有效利用相似域的可用数据，从而减少对新样本进行标记的需求和工作量是非常必要的.这就产生了一种新的机器学习领域即迁移学习[1]，将源域和目标域是否有标签以及两个域任务是否相同作为划分依据将迁移学习分为3类：归纳式，直推式以及无监督迁移学习.域适应属于直推式，是迁移学习中最受欢迎的一个子领域，它假定源域有标签
小型微型计算机系统 2022年4期2022-05-09
- 空间变化场景下卫星部组件域适应识别研究*
宽。对于任意一个源域样本特征fs和目标域样本ft，得到svec(fs)和svec(ft)，并且用归一化的内积sr来表示这两个样本的关联性为近似度量源域样本和目标域空间的关联性，在模型训练过程中，将源域数据集打乱并进行顺序采样，对目标域数据集进行随机采样。迭代m次后，可以得到均值。在一个epoch 定义内，以μrele作为阈值，源域样本计算得到的sr＞μrele，则表示该源域样本被击中，与目标域场景关联性较强。在训练多个epoch 后，可以得到其中μrele
遥测遥控 2022年2期2022-03-22
- 结合对抗网络与条件均值的多源适应分类方法
g，TL)借助于源域数据训练过程中学到的知识，完成对目标域的识别[7]。但是不同域之间存在的间隙使得源域训练的模型在目标域进行识别的时候学习效果会受到影响，域适应[8]学习作为迁移学习中的一种代表性方法，通过建立从有标签源域到无标签目标域的知识迁移，学习域间共享信息，实现模型在目标域上的正确分类[9]。针对域适应的研究，SankaraNara-yanan等[10]提出的生成适应网络(generate-to-adapt，GTA)，通过学习单个源和单个目标之间
计算机工程与设计 2022年3期2022-03-21
- 基于多模态域对抗神经网络的调制识别算法
际电子侦察场景中源域调制数据和目标域调制数据因为码速率的差异而导致数据分布不同，预先训练的深度学习模型失配，智能调制识别算法性能急剧恶化且大量无标注目标域调制数据未被利用的问题，利用迁移学习技术进行知识迁移，结合无标签目标域调制数据参与训练，充分挖掘源域和目标域的相关性，使得源域调制数据训练获得的知识能有效地提升目标域调制数据的性能。本文在前人研究的基础上，采用一种基于多模态域对抗神经网络的调制识别算法，在域对抗神经网络基础上同时使用时域和频域的多模态信息
航天电子对抗 2021年6期2022-01-20
- 基于特征迁移的域自适应算法研究进展
学习;语义分割;源域;目标域当今采用机器学习或者深度学习方法从海量数据提取有用信息已经成为主流。域自适算法利用已有的带标签原始数据集训练一个模型，并且将训练好的模型用于不带标签的目标数据集的标注工作。域自适应依据不同的假设有不同的方法。基于特征迁移的观点认为发生域漂移的问题在于源数据集和目标数据集的分布不一致，可以通过一系列算法对齐它们的分布实现迁移学习。本文以特征迁移的观点从非深度学习方法和深度学习两个方面对当下域自适应方法进行阐述。一、非深度学习的域自
三悦文摘·教育学刊 2021年42期2021-12-03
- 汉英食物类词语隐喻用法对比
)”。[1]依据源域到目标域的映射路径，我们归纳出以下几种语义桥的类型。(一)食物的外形[2]食物的外形特征包括颜色、体积以及形状。1.由颜色产生的隐喻，如：【香蕉】思想上、文化上已经完全西化的海外华人及其后代(《现代汉语词典》，后文简称《现汉》)——“香蕉”的表皮为黄色，果肉为白色。【lettuce】【cabbage】【spinach】one dollar(一美元)(《世界英语俚语词典》，后文简称《俚语》)[3]——“lettuce (莴苣)”“cabb
山东商业职业技术学院学报 2021年3期2021-07-02
- 基于贝叶斯网络参数迁移学习的电熔镁炉异常工况识别
通过使用来自相关源域的数据及其他信息解决目标域问题.文献[11]基于文献[9−10]建立的BN 模型,考虑了来自同一工厂或其他工厂的电熔镁炉的异常工况数据,提出一种基于BN 参数迁移学习的异常工况识别方法,提高了目标域异常工况识别的准确率.然而,文献[11]所提出的方法仅适用于源域BN 与目标域BN 结构一致情况下的参数迁移学习.在实际情况中,很多工厂仅通过电流特征建立模型对异常工况进行识别,此时源域BN 与目标域BN 结构不一致,文献[11]提出的方法无
自动化学报 2021年1期2021-03-04
- 小说《授者》中身体隐喻的运用
隐喻;身体隐喻;源域;目标域作者简介：刘思佳（1995-），女，汉族，辽宁省沈阳市人，辽宁大学外国语学院外国语言学及应用语言学专业硕士研究生。[中图分类号]：I106 [文献标识码]：A[文章编号]：1002-2139（2021）-02--02一、身体隐喻概述1、身体隐喻内涵身体隐喻是指将身体部位域映射到其他概念域。即凭借人体的知识或经验来理解抽象的、新的概念。从人体到客观物质世界的映射是基于这两个概念域在形态、功能和位置上的相似性，从而形成人体隐喻。因
青年文学家 2021年2期2021-02-26
- 无监督域适应的表示学习算法
于训练做训练集的源域中已经拥有大量有标签的数据，但是源域的数据和真正需要进行分类的目的域数据并不是同分布的.所以域自适应主要解决两个域分布适应的问题，从而借助源域中大量有标签的数据集对目的域的数据进行识别.目前传统的域自适应算法的相关研究工作主要分为以下3种方式：1)数据分布的适应：即通过某种变换直接将两个域的分布拉近或者选择出分布相似的公共特征，主要通过最大平均差异(maximum mean discrepancy, MMD)[5]度量变换后的两个域的相
哈尔滨工业大学学报 2021年2期2021-01-26
- 基于域自适应与多子空间的人脸识别研究
丰富的监督信息(源域)迁移到另一个不同但相关的领域(目标域)。子空间学习是域自适应的一种方法，文献[4]在保持数据的原始结构的同时，通过最小化源域和目标域之间的差异得到潜在的公共子空间。但上述方法只利用了源域和目标域的共同特征，忽略了目标域对分类任务有利的特定信息。文献[5]提出了一种TSD域自适应方法，带有标签的源域数据由公共子空间中的目标域数据(称为目标化源域)表示。TSD的公共子空间在较好地保持源域和目标域结构的基础上使源域和目标域数据具有良好的交融
桂林电子科技大学学报 2020年3期2020-12-18
- 基于参数字典的多源域自适应学习算法
移学习利用相关的源域知识辅助目标域学习，以解决目标域数据或数据标签稀缺的问题，目前已得到机器学习领域的广泛关注。在推荐系统中，迁移学习利用评分完善的电影数据帮助推荐无评分记录的书籍，解决冷启动问题；在室内wifi定位中，借助迁移学习，利用前时刻已有设备采集的信号数据，帮助学习新设备和未来时刻产生的信号。其实，迁移学习广泛存在于人类活动中，一个人学会了自行车，便很容易学会开电动车；熟悉五子棋，则可将知识迁移到学习围棋中。迁移学习的关键在于如何找到源领域和目标
计算机技术与发展 2020年11期2020-12-04
- 基于多源域迁移学习的脑电情感识别
新被试上，挖掘出源域被试和目标被试间共享的信息，最终构建适应目标被试数据分布的模型。对于单源域迁移学习，如果领域间的相关性较低，直接迁移可能会产生负迁移现象[4]，并且在进行跨被试情感识别时往往存在多个源域被试数据，因此可以利用多源域迁移学习来弥补单源域迁移学习的不足。目前鲜有文献从样本和特征两个层面对待迁移的多源域数据进行优化的报道，本文提出用多源域选择(multi-source domain selection，MDS)与迁移特征选择(transfer
计算机工程与设计 2020年7期2020-07-20
- 中国传统文化中“乡愁文化”的认知隐喻分析
。关键词：乡愁;源域;目标域什么是“乡愁”？这种情绪不像爱情情绪的浓烈，也不是针对具体对象的挂念，它是漂泊在外的游子在对故乡的不断回忆中寻求美好、牵挂的感受。从古至今，多少文人骚客都为“乡愁”这种情绪困扰、落泪。在中国传统文化的背景下，在这些表达游子情绪的话语或诗词中，文人们都无一例外地避开了直接描写“乡愁”，而选择了隐喻的表达。在文人们建立的“乡愁”隐喻中，我们发现，诗人对“隐喻”的选择极为巧妙，不仅表达了情绪，还建立了自己与众不同的表达风格和美学感受，
北方文学 2020年6期2020-06-19
- 选择性集成迁移算法在轴承故障诊断领域的应用
习是运用己存有（源域）知识对不同但相关领域（目标域）问题进行求解的一种机器学习方法，是一种可以有效解决传统机器学习以上两个问题的方法，目的是迁移已有的知识来解决目标域中仅有少量有标签样本数据甚至没有的学习问题。目前已在文档分类、情感分类、计算机视觉、网络搜索排序等领域有着广泛应用[9]。如文献[10]将基于最大间隔的核均值匹配的迁移学习算法应用于文档分类处理；文献[11]将迁移学习应用到语音情感识别，解决了跨库不易识别的难题；文献[12]提出了基于稀疏编码
机械设计与制造 2020年5期2020-05-21
- 基于score样本选择的同构域适应迁移学习∗
中。主要思想是从源域及目标域相关的辅助领域中学习标签数据或知识结构，以改进或实现目标领域或任务的学习效果。迁移学习试图实现人通过类比进行学习的能力，例如学习走路的技能可以用来学习跑步、学习识别轿车的经验可以用来识别卡车等。在自然语言处理［1］、计算机视觉［2～6］、医疗健康与生物信息［7］等领域，目标任务的标签数据稀缺，域适应［2～3，5，8］等问题十分突出，迁移学习具有很强的现实需求。其中无监督域适应［2，9～15］是特别具有挑战性的。例如，歧视性训练的
计算机与数字工程 2019年12期2019-12-27
- 半监督多源域适应集成的球磨机负荷参数软测量
据)和历史数据(源域数据)分布存在差异及待测工况数据不足的问题。若根据源域数据建立软测量回归模型，则会违背机器学习方法建立在数据同分布条件的前提；若利用少量目标域数据建模，模型预测效果往往不理想。近年来，为适应工况的变化，广泛采用即时学习、集成学习的建模策略。文献[7]提出一种基于k近邻的局部建模方法。文献[8]引入因果关系利用动态主成分分析实现过程监控。Ma等[9]和Jaffel等[10]运用移动窗策略，对模型实时更新。针对在线测量中可能产生的偏差，Sh
振动与冲击 2019年19期2019-10-21
- 概念隐喻理论文献综述
喻 语言与思维 源域 目标域1.引言隐喻一直是国内外众多学科关注的话题，除隐喻在修辞层次的研究之外，越来越多的国内外研究将隐喻的认知功能重视起来。Lakoff和Johnson（1980）认为：“隐喻不仅是一种语言现象或文体特征，更是人们基本的认知方式。隐喻就存在于我们的生活，它不仅仅存在于语言中，也存在于思维和活动中。”1980年，在合著的《我们赖以生存的隐喻》一书中，Lakoff和Johnson首次系统地从隐喻的角度对语言和认知的关系作了阐述和分析，认为
新生代·下半月 2019年5期2019-09-10
- 参数字典稀疏表示的完全无监督域适应*
其无需假设训练/源域（记为S）样本和测试/目标域（记为T）样本服从相同的概率分布，即PS(X)≠PT(X)，因此能有效解决因概率分布不同而产生的学习性能退化问题。无监督域适应（unsupervised DA，UDA）作为域适应学习的一个研究分支，通常用于解决标记稀缺、无标记小样本、个性化设计等问题。其中，无标记小样本问题备受关注，一般采用聚类方法进行建模，但因样本量少易导致聚类性能较差。因此，尝试借助相关域（与目标域分布不同）中的“知识”来提高目标域的学习
计算机与生活 2019年5期2019-07-18
- 从认知语言学的角度对比拟人和隐喻
都是基于相似性从源域到目标域的映射。本文提出隐喻是从源域到目标域的静态映射，两个域都会出现，而拟人是从源域到目标域的动态映射且目标域不会单独出现。关键词：隐喻 拟人 源域 目标域 映射中图分类号：H05 文献标识码：A 文章编号：1009-5349（2019）07-0102-02一、引言“Meatphor”一词来自希腊语“metapherin”，其中“meta”意味着超越；“pherein”意味着负载，这个词的意思是指把一个东西从一个地方送到另一个地方；它
现代交际 2019年7期2019-05-16
- 基于多源域深度迁移学习的液晶面板缺陷检测
配适当的权重，从源域种选择部分实例作为目标训练集的补充。基于映射的深度迁移学习是指将源域和目标域种的实例映射到新的数据空间，在这个新的数据空间中，来自两个域的实例都是相似且适用于联合深度神经网络。基于网络的深度迁移学习是指服用在源域中预先训练好的部分网络，包括其网络结构和连结参数，将其迁移到目标中使用的深度神经网络的一部分。基于对抗的深度迁移学习是利用生成对抗网络技术，找到适用于源域和目标域的可迁移表征。在单源域迁移学习方面，目前已有较多相关研究，但是如果
福建质量管理 2019年6期2019-04-02
- 简析范畴理论下英汉颜色词隐喻认知机制
隐喻把颜色词当作源域，将颜色词的意象映射到抽象的其它域里，我们能够通过这样的隐喻更好地交流与沟通。该文用认知语言学当中的范畴理论和颜色隐喻来分析英汉中不同颜色的隐喻含义，以及涉及到颜色的英汉翻译中的隐喻现象。此论文有助于英汉双语学习者提高交流能力，更好地翻译英汉双语中的颜色词。关键词：颜色词;隐喻;翻译;源域;范畴理论;映射第一章 颜色词简介无论是汉语还是英语，我们都能从中看到很多颜色词，作为一个概念范畴，色彩隐喻是相对独立的概念范畴，其是指色彩在语言中
北方文学 2019年3期2019-03-10
- 共享域特征的深度神经网络异常检测方法
度神经网络提取出源域数据的抽象特征表示，用于提升目标域的分类准确率.Huang et.al[10]使用共享隐含层节点的方法实现深度神经网络的知识迁移，有效地降低了新语言识别的错误率.Heigold et.al[11]和Vu et.al[12]利用分布式深度神经网络实现多语言声学模型，从一种语音模型迁移到另一个缺乏训练数据的语音模型.李阳辉等[13]利用降噪自动编码器实现了微博情感的分析.需要指出，上述迁移学习方法直接使用所有源域的标签数据训练深度神经网络.
小型微型计算机系统 2018年6期2018-07-04
- 论科技英语新词的隐喻理据
英语新词 隐喻 源域 目标域中图分类号：G64 文献标识码：A 文章编号：1672-3791（2018）01（a）-0177-02Abstract： A large number of Scientific English new words emerge with the rapid development of the science and technology. In this process metaphor， as an important m
科技资讯 2018年1期2018-06-05
- 一种基于样本选择和在线字典学习的域适应图像分类算法
适应方法主要包括源域和目标域两个概念，并且源域和目标域中的数据具有不同的分布形式。域适应方法可被划分为两大类，无监督域适应方法和半监督域适应方法，在半监督域适应方法中目标域中的样本包含少量的类别标签，而在无监督域适应方法中目标域中的样本不包含任何类别标签的信息。由于目标域中的样本不具有类别信息，因此相比于半监督域适应方法，无监督域适应方法更具挑战性和实用性。无监督域适应方法的一类常用做法，是基于源域和目标域构建域适应的子空间。该类方法将源域和目标域中的样本
苏州市职业大学学报 2018年2期2018-05-26
- 一种基于聚类与分类结合的汉语隐喻短语识别方法
两个部分，一个“源域”(source domain)和一个“目标域”(target domain)。“源域”通常是熟知的比较具体直观、容易理解的一些概念范畴，而“目标域”通常是后来才认识的抽象的、不太容易理解的概念范畴[2]。这里沿用“源域”和“目标域”的说法，将能够在句子中作为“源域”出现的词称为源域词，例如“杀手”“大军”“海洋”等都可以称为源域词。汉语短语中存在大量的隐喻现象，我们将带隐喻义的短语称为隐喻短语。例如表1中有两种模式的隐喻短语。本文的工
中文信息学报 2018年2期2018-04-16
- 域间F-范数正则化迁移谱聚类方法*
FR的主旨是利用源域的历史谱聚类知识，即部分历史特征向量来辅助目标域的谱聚类过程。为此本文基于K近邻（Knearest neighbor）策略[12]为目标域每一数据样本从源域挑选一可用来迁移历史聚类知识的历史样本，利用这些历史数据样本的历史特征向量组成历史特征矩阵，结合F-范数正则化机制[13]构造目标域最优谱聚类目标函数完成聚类。本文算法具有三大特点：（1）通过迁移历史特征矩阵，TSC-IDFR实现了对历史知识的有效学习和利用，很大程度上提高了目标算法
计算机与生活 2018年3期2018-03-12
- 跨领域分布适配超限学习机及其在域自适应问题的应用
情况下，训练集(源域)数据的分类器不能直接用于测试集(目标域)数据的分类.域自适应问题的核心就是为了解决训练集与测试集分布不等的问题.例如，如果待分类的数据集T的标签难以获得，而可使用的有标签数据集S服从某个与T相关但不同的分布时，就需要运用域自适应的算法，以有效地利用数据集S的信息来低成本地对数据集T进行分析和分类.近年来，研究者们提出了多种实现域自适应的模型和算法，比较常用的有3大类.第一类方法是寻找一个低维子空间，使得源域和目标域的数据样本在映射到该
中国计量大学学报 2017年4期2018-01-23
- 英文新闻标题中的隐喻
的新闻标题，对其源域、目标域和类型进行分析，揭示了隐喻的本质——通过一种事物来理解另一种事物——是如何在英文新闻标题中得到体现的。这种分析有助于读者理解新闻标题，从而迅速抓住新闻报道的主旨。关键词：隐喻 新闻标题 源域 目标域近年来，隐喻成为了众多学者研究的热点现象。对隐喻最早的研究可追溯到亚里斯多德时期。传统修辞学里，隐喻被认为是一种修辞方法。20世纪80年代，美国学者Lakoff和Johnson对隐喻的研究扩展了隐喻概念的内涵。他们认为，隐喻是人类认知
文学教育·中旬版 2017年12期2018-01-01
- 二次相似性：隐喻翻译的灵魂*
性隐喻中目标域和源域之间所具有的或创造出来的相似性是隐喻翻译的语内相似性，它是隐喻建构不可或缺的要素，隐喻建构的相似形式是隐喻翻译的语内相似性的外在表现。理解隐喻的语内相似性是隐喻翻译的前提，同时隐喻的语内相似性也是隐喻翻译的“一次相似性”，为隐喻翻译的“二次相似性”形成奠定基础。1.1 隐喻建构的基础：相似性人脑在认识客观事物前具有先已贮存的经验，即“相似块”，可将新认知的对象和熟悉的事实建立联系。隐喻是一种认知现象，其本质就是用一类事物去理解和经历另一
外语学刊 2017年3期2017-12-07
- 认知隐喻视角下禅宗话语机锋的特征分析
认知隐喻 特征 源域 目标域一、引言关于隐喻现象，自古以来就有诸多学者对其进行研究，但这些研究多是将隐喻当作一种修辞手段。隐喻真正的革命史始于1980年《我们赖以生存的隐喻》的发表。此时，隐喻从传统意义上的修辞手段上升到了认知方式的高度上来，从而开辟了认知语言学的新时代。隐喻将始源域的结构、关系、特征和知识映射到目标域之上（Lakoff& Tuener，1989：63-64），实现了用显而易见、易于理解的事物来刻画晦涩难懂事物的目的。禅宗作为最具中国特色的
现代语文 2017年10期2017-12-03
- 知识迁移的极大熵聚类算法及其在纹理图像分割中的应用
题: 1)如何从源域中选择合适的知识对目标域进行迁移学习以最终强化目标域的聚类性能；2)若存在源域聚类数与目标域聚类数不一致的情况时，该如何进行迁移聚类。为此提出一种全新的迁移聚类机制，即基于聚类中心的中心匹配迁移机制。进一步将该机制与经典极大熵聚类算法相融合提出了基于知识迁移的极大熵聚类算法(KT-MEC)。实验表明，在不同迁移场景下的纹理图像分割应用中，KT-MEC算法较很多现有聚类算法具有更高的精确度和抗噪性。迁移学习；中心迁移匹配；极大熵聚类；纹理
智能系统学报 2017年2期2017-05-16
- 概念隐喻理论视角下的高中英语阅读教学探究
词： 概念隐喻 源域 目标域 英语阅读1.引言隐喻不仅是一种修辞手段，还是人类认知不可缺少的手段。美国学者G.Lakoff和M.Johnson在1990年发表的《我们赖以生存的隐喻》一书中，指出隐喻不仅仅是一种语言现象，而且是一种认知现象，是人类思维的重要方式，而语言本质是隐喻的，我们的生活和学习都离不开隐喻。G.Lakoff和M.Johnson提出的隐喻，其“实质是运用另一事物来理解或体验另一事物”（G.Lakoff & M.Johnson 1980：5
文教资料 2017年3期2017-04-26
- 狄金森诗歌中的新奇隐喻解读
情感隐喻 诗歌 源域 目的域一、背景艾米莉·狄金森是美国十九世纪最富传奇色彩的著名抒情女诗人。她一生未嫁，归隐幽居，生前默默无闻，死后名声大作，为后人留下了近1800首别具一格、内容丰富的诗歌。她的诗歌自发表以来，在学术界一直备受关注和争议。但是，最终一致的看法是，狄金森为美国文学做出了重大独创性贡献。狄金森的诗歌处处可见新奇的、创造相似性的隐喻。例如“‘希望是个有羽毛的东西，头脑比天空辽阔，攀登达到高贵的心”等。二、理论介绍隐喻是通过人类的认知和推理，将
教育界·下旬 2016年12期2017-04-19
- 浅析《离骚》中的跨域映射现象
骚》；跨域映射；源域；目标域《离骚》是屈原作品中最具有代表性的一篇，他在《离骚》中大量运用了隐喻以抒发其对君对国的壮志豪情。George Lakoff和Mark Johnson认为，隐喻不仅被看成是语言修辞的表达形式，更是一种思维和行为方式——概念隐喻。基于对概念隐喻的理解，本文将运用Lakoff等学者的跨域映射原理，分析《离骚》中的香草美人、巫鬼占卜和图腾崇拜等意象中体现出的跨域映射现象。一、香草美人意象在《离骚》中，屈原常以香花、美草隐喻品性高洁之人，
北方文学·中旬 2017年2期2017-03-25
- 区别性知识利用的迁移分类学习*
利用事先准备好的源域数据为目标域学习提供辅助知识，即从源域抽象出与目标域共享的知识结构时，使用所有的源域数据。然而，由于人力资源的限制，收集真实场景下整体与目标域相关的源域数据并不现实。提出了一种泛化的经验风险最小化选择性知识利用模型，并给出了该模型的理论风险上界。所提模型能够自动筛选出与目标域相关的源域数据子集，解决了源域只有部分知识可用的问题，进而避免了在真实场景下使用整个源域数据集带来的负迁移效应。在模拟数据集和真实数据集上进行了仿真实验，结果显示所
计算机与生活 2017年3期2017-03-16
- 核典型关联性分析相关特征提取与核逻辑斯蒂回归域自适应学习
型关联性分析提取源域目标域最大相关特征,使用核逻辑斯蒂回归模型进行域自适应学习的算法,该算法称为KCCA-DAML(Kernel Canonical Correlation Analysis for Domain Adaptation Learning).该算法基于特征集关联性分析,有效的减小源域和目标域的概率分布差异性,利用提取的最大相关特征通过核逻辑斯蒂回归模型实现源域到目标域的跨域学习.实验比较源域数据上核逻辑斯蒂学习模型、目标域上核逻辑斯蒂学习模型
电子学报 2016年12期2017-01-10
- “新经验主义”视阈下汉日隐喻源域对比研究
”视阈下汉日隐喻源域对比研究李 敏， 王 忻(杭州师范大学 外国语学院， 浙江 杭州 311121)隐喻是各种语言共有的表达形式，但隐喻的源域却因语言不同而不同。第一，隐喻源域的使用完全基于语言使用者的体验性；第二，在动物为源域的隐喻中，汉日语所用源域异大于同，原因在于使用者生活环境、习俗异大于同；第三，在身体为源域的隐喻中，两语言所用源域同大于异，因为人体部位与人的关系不因民族、群体不同而异。其不同之处乃是由语言或习俗不同带来的经验差异所致。新经验主义；
杭州师范大学学报(社会科学版) 2016年6期2016-12-16
- 基于最小最大概率机的迁移学习分类算法
学习分类算法利用源域中大量有标签的数据和目标域中少量有标签的数据解决相关但不相同目标域的数据分类问题，但对于已知源域的不同类别数据均值的迁移学习分类问题并不适用。为了解决这个问题，利用源域的数据均值和目标域的少量标记数据构造迁移学习约束项，对最小最大概率机进行正则化约束，提出了基于最小最大概率机的迁移学习分类算法，简称TL-MPM。在20 News Groups数据集上的实验结果表明，目标域数据较少时，所提算法具有更高的分类正确率，从而说明了算法的有效性。
智能系统学报 2016年1期2016-07-01
- 从映射理论视角分析《麦田里的守望者》的成长主题
词：映射；隐喻；源域；目标域.[中图分类号]：I106 [文献标识码]：A[文章编号]：1002-2139（2015）-29-0-02一、引言杰罗姆·大卫·塞林格的著作《麦田里的守望者》被视为美国20世纪文学的经典作品之一。 该书一出版，就受到国内青少年的热烈欢迎，认为它道出了自己的心声。本书描写一个名叫霍尔顿的十六岁青少年的生活，作者塞林格以犀利的洞察力剖析青少年的复杂心理，透过现象观察精神实质，描绘了霍尔顿的精神世界的各个方面，既揭示了他受环境影响颓废
青年文学家 2015年29期2016-05-09
- 英语狗习语的隐喻分析
狗；隐喻；映射；源域；靶域引言西方人喜欢狗，狗是他们忠实的朋友﹑家人甚至伴侣。但狗作为宠物也就是近200年内的事情。根据朗文当代英语词典（Longman Dictionary of Contemporary English），狗是一种常见有四条腿，皮毛和尾巴的动物，能帮助人们看家，狩猎甚至经训练可任职专职工作，现多做宠物养于家庭。很明显，在狗出现的历史长河中，首先被重视的是它的功能。等到人类社会物质文化极度发展后，人与人的相处方式发生了变化，信任出现了危机
阜阳师范大学学报(社会科学版) 2016年3期2016-04-16
- 可迁移测度准则下的协变量偏移修正多源集成方法
学习通过充分利用源域共享知识，实现对目标域的小样本问题求解，然而，对训练和测试样本分布差异测度仍然是该领域的主要挑战。该文针对多源迁移学习算法中，由于源域选择和源域辅助样本选择不当引起的“负迁移”问题进行研究，提出一种可迁移测度准则下的协变量偏移修正多源集成方法。首先，根据源域和目标域之间的协变量偏移原则，利用联合概率的密度估计，定义辅助样本的可迁移测度，验证目标域和源域在数据空间中标记分布的一致性。其次，在多源域选择阶段，引入非迁移判别过程，提高了源域知
电子与信息学报 2015年12期2015-08-17