3、异构迁移学习：特征映射与度量学习的探索

异构迁移学习：特征映射与度量学习的探索

1. 异构缺陷预测与活动识别中的迁移学习

1.1 异构缺陷预测

在软件缺陷预测领域，异构缺陷预测（HDP）是一种有效的方法。它首先对源数据应用特征选择技术，采用如增益比、卡方检验、Relief - F 和属性显著性评估等常见的特征选择方法。接着，匹配源和目标度量之间基于相关性或分布等的相似性度量。

为了匹配源和目标度量，会计算所有源和目标度量对的匹配分数。例如，有两个源度量（X1 和 X2）和两个目标度量（Y1 和 Y2），会形成四对可能的匹配（X1, Y1）、（X1, Y2）、（X2, Y1）和（X2, Y2）。通过设定一个阈值（如 0.3），去除匹配分数低于该阈值的对。然后使用最大加权二分匹配技术选择匹配分数总和最高的一组匹配度量。最后，使用映射后的数据构建用于预测目标实例标签的模型，HDP 方法使用逻辑回归作为基础学习器。

1.2 活动识别

在活动识别领域，异构迁移学习有众多应用。日常生活活动通过各种传感器进行监测，这对老年护理至关重要。由于活动识别模型通常依赖有标签的活动示例进行学习，而新房屋中往往缺乏这些标签数据（冷启动问题），因此有动力利用其他房屋的现有数据来学习新房屋模型的参数。

以下是几种相关的方法：
- Multi Home Transfer Learning (MHTL) ：该方法基于位置或功能将源域的传感器映射到目标域，包括活动提取、映射和标签分配三个阶段。它利用元特征，先手动将元特征引入特征空间，然后自动将特征空间从源域映射到目标域。
- 基于生成模型的方法