一种面向异构用户的迁移学习方法

摘要

本发明公开一种面向异构用户的迁移学习方法，服务器和其他参与者不会获得原始数据，一定程度上降低隐私泄露的风险。其次，通过域定界和二次降维筛选，样本数据与分类目标相关性更高，能够适应用户异构性，分类效果更好，能够极大程度上满足分类准确率高的需求。另一方面，Softmax和CNN的循环双分类算法，有监督的学习指导无监督的学习，提高标签不足数据分类精确度。本发明将本地端多渠道获取的数据，进行源域和目标域的选择和定界，以保证迁移学习有足够的数据量。在此基础上，满足多目标输出的需求并且提高分类准确率。