.png){kind=icon}
返回
Online Transfer Learning for Generalized Linear Model Prediction
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2025.114648.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种用于广义线性模型（GLM）预测的机器学习框架，称为在线迁移学习（OTL），其目标是通过从源域迁移知识来完成目标域中的在线学习任务。OTL面临重大挑战，主要是因为源域和目标域的数据不仅在分布上可能不同，而且在特征表示上也可能不同。为解决此问题，我们研究了OTL的两种设置：(i) 具有共享特征空间的同构域上的OTL，以及(ii) 具有不同特征空间的不同构域上的OTL。针对每种情况，本文设计了高效的OTL算法（MLE-IASGD和HetMLE-IASGD），用于广义线性模型预测，以解决目标域中的分类问题。最后，在模拟数据集和真实数据集上进行了对比实验，以验证所提出的方法，实验结果证实了所提出框架的优越性：在同构设置下，MLE-IASGD在准确率（0.7289）和AUC（0.8798）方面达到最佳性能。在更具挑战性的不同构条件下，HetMLE-IASGD同样表现出色，其准确率（0.8151）和AUC（0.7363）领先，显著优于所有基线方法。这些发现有力地验证了OTL方法在两种场景下的有效性和泛化能力。
