声明
致谢
序言
1 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 同构迁移学习
1.2.2 异构迁移学习
1.2.3 域适配
1.2.4 最优传输理论
1.2.5 最优传输理论用于域适配
1.2.6 深度迁移学习
1.3 研究方向
1.4 研究内容与主要贡献
1.5 本文的组织结构
2 基于最优传输的流形空间联合分布域适配算法
2.1 问题描述
2.1.1 迁移学习
2.1.2 域适配
2.2 基于最优传输的流形空间联合分布域适配算法
2.2.1 流形空间特征变换
2.2.2 基于最优传输的域适配方法
2.3 实验过程与结果
2.3.1 实验数据
2.3.2 基准算法与实验设置
2.3.3 实验结果
2.3.4 扩展应用实验
2.4 本章小结
3 基于离群样本重映射的域适配增强算法
3.1 域适配增强算法
3.1.1 基础理论
3.1.2 算法描述
3.2 实验过程与结果
3.2.1 实验数据
3.2.2 基准算法与实验设置
3.2.3 实验结果
3.3 本章小结
4 学习任务移植方法探索
4.1 学习任务移植
4.1.1 研究价值
4.1.2 移植方法
4.2 实验过程与结果
4.2.1 实验数据
4.2.2 基准算法与实验设置
4.2.3 实验结果
4.3 本章小结
5 总结与展望
5.1 本文总结
5.2 研究展望
参考文献
作者简历及攻读硕士学位期间取得的研究成果
独创性声明
学位论文数据集
北京交通大学;