Gaussian-SVM

新的迁移分类方法优化源-目标风险转换

本文通过分析源数据集的训练问题如何影响目标数据集的准确性和价值，提出了一种新颖的迁移分类方法。对于二元分类，它基于密度加权的局部投票推导出精确的目标超额铰链风险界限。该研究还为可迁移强度和倾斜建立了极小极大分类率，区分了源采样不确定性和关系不确定性。此外，它证明了当目标样本量小于源样本量时，极小极大风险可能显著更高，突显了源的训练问题及其与目标的关系的重要性。