基于域间相似度序数的迁移学习源领域的选择

现有迁移学习研究大多数都建立在源领域和目标领域的相似度较高的全局约束下,对如何选择合适的源领域缺乏研究。为了确定如何自适应地从候选源领域集合中选择合适源领域,提升迁移效率,避免"负迁移"现象,基于最大均值差异(maximum mean discrepancy,MMD)提出一种叫作域间相似度序数(MMD-SR)的度量方法,用于度量候选源领域与目标领域间的相似度。同时,基于MMD-SR,提出一种迁移学习源域自适应选择策略(MMD-SR source domain selection strategy,MMD-SR_SDSS)。在人工数据集和真实数据集中的实验结果表明了度量方法MMD-SR和源领域选择策略MMD-SR_SDSS的有效性和可行性。     

异常数据恒虚警检测的非参数方法

针对异常数据和/或数据序列的检测,根据再生核希尔伯特空间最大平均偏差异常数据和/或数据序列检测算法,发展出了一种恒虚警检测异常的非参数方法。将来自正常数据的最大平均偏差描述成了一个统计分布,分析表明:奈曼—皮尔逊假设检验可利用这个分布来进行异常假设检验,而bootstrap重采样技术或期望最大算法则可估计出正常数据或数据序列的统计分布,尽管在给定虚警率的条件下,异常假设检验所需的判决门限可由估计到的统计分布计算获得,但可以利用蒙特卡罗积分的方法来简化这个计算。数值仿真的结果验证了提出方法的有效性,同时,表明所提方法优于文献中报道的方法。