基于决策树局部相似性的多源在线迁移学习

摘要

近年来,在线学习算法得到了快速发展,VFDT算法在在线学习领域得到了广泛关注.VFDT算法需要满足Hoeffding边界才有可能进行分裂,这就导致在不满足Hoeffding边界时VFDT的分类性能较差.迁移学习在近年来得到飞速发展,本文尝试使用迁移学习算法弥补VFDT算法的不足.本文首先在VFDT的节点中存储少量样本,且随着VFDT的更新将这些样本传递到叶节点当中.本文基于VFDT提出一种单源在线迁移学习算法——DOTL.实验结果表明,将样本传递到叶节点能有效提高VFDT分类准确率,单源在线迁移学习算法DOTL能有效地从单个源领域迁移知识,与VFDT对比具有较高的准确率.