领域适应性问题相关学习算法与理论研究

本项目研究领域适应性问题，发现源领域和目标领域数据的内部结构与分布，结合学习任务提出相应的领域自适应算法，并进行适应性推广能力（或称泛化能力）的理论分析与研究。主要包括：研究区分领域整体和局部分布特征的描述方法以及分布获取方法；探索发现新的自适应学习算法，改进已有算法使之具备自适应推广能力，特别是研究独立于算法的提高自适应推广能力的策略；对算法的自适应推广能力进行量化研究，找出领域分布差异的度量、源领域误差、目标领域误差和学习算法自适应推广能力之间的关系。研制开发领域自适应学习系统，并获得软件著作权。力争在领域适应性问题方面取得突破，丰富机器学习理论，提供有效的领域自适应学习方法，并在实际问题中得到验证应用。在国内外学术会议、刊物发表高水平论文20篇以上，其中SCI收录8篇以上，重要的高水平国际会议8篇以上，丰富相关学术领域的研究成果，促进该领域的发展。

本项目研究了领域适应性问题，发现源领域和目标领域数据的内部结构与分布，结合学习任务提出相应的领域自适应算法，并进行适应性推广能力的理论分析与研究。.1.在理论上，采用狄氏分布方法提出了领域分布的形式化描述，给出定义领域不同程度与领域相似性的度量，把大间隔作为度量不同分布分离性的度量，用于主成分的理论分析和优化算法设计，相关论文以长文方式发表在AAAI2015上。.2.在算法层面，提出了基于超曲面分割样本空间的获取领域分布的具体方法，发表在FSS上；对给定的误差尺度，为了降低不同领域的分布差异性的领域，提出了基于自动编码机的监督表示学习用于领域自适应学习，相关论文发表在IJCAI 2015；还提出了一个生成统计模型——协同对偶PLSA(简称CD-PLSA)实现多个源领域和多个目标领域的领域自适应学习。自适应学习算法法相关论文发表在IEEETKDE上。为了解决原始特征上数据分布不同问题，提出了一般的概率统计模型来挖掘一致性概念，相似概念以及领域特有的概念这三种概念，并开发了一种EM算法进行求解。该项成果发表在人工智能顶级会议IJCAI 2013上。.3.提出了一个基于非负矩阵分解的泛化领域自适应学习框架，这一独立于算法的领域自适应学习算法可以应用于更多领域，相关论文发表在IEEE TRANSACTIONS ON CYBERNETICS上。.4.对已有的多任务、多视图的领域自适应学习算法，从理论上分析算法的适应推广能力和推广误差的上界，并在实际中用于指导算法的选择和使用，相关论文发表在CIKM’14。. 总之，本项目系统深入研究领域适应性问题，发现源领域和目标领域数据的内部结构与分布，结合学习任务提出相应的领域自适应算法，并进行适应性推广能力的理论分析与研究。研制开发域自适应学习系统。在领域适应性问题方面取得突破，丰富机器学习理论，提供有效的领域自适应学习方法，并在实际问题中得到验证应用。在国内外学术会议ICDM2012、IJCAI13、WSDM13、 AAAI15、ICDE15、WWW14、ECAI14、CIKM15、ICDM15、IJCNN15和国际刊物IEEETKDE、IEEETOC、INS、NeuroCom、FSS发表了高水平论文60 篇以上，丰富相关学术领域的研究成果，促进了该领域的发展。