35、移动健康中的迁移学习与计算机架构安全应用

移动健康中的迁移学习与计算机架构安全应用

1. 移动健康中的迁移学习

1.1 参数检查

在移动健康的迁移学习中，针对标签估计任务，对两个参数 σ 和 λ 在三种场景（跨平台、跨主体和混合场景）下进行了不同值的检查。参数 σ 用于高斯核中对输入进行缩放，λ 用于最小均方拟合中对正则化项进行加权。

在测试中，当 σ 值变化时（图 11.7 左图），λ 设为 0.001；当 λ 值变化时（图 11.7 右图），σ 设为 0.3。当 σ 值从 0.01 增加到 0.3 时，TransFall 在跨平台场景下性能提升 9.3%，跨主体场景下提升 2.2%，混合场景下提升 26.7%。但随着 σ 值的持续增加，三种场景下的标签准确性变化趋势不同，跨平台场景下准确性逐渐增加，而其他两种场景下则下降。

当 λ 小于 0.72 时，TransFall 在跨平台和跨主体场景下性能相对稳定；但当 λ 增加到 10 时，准确性分别下降 3% 和 8.6%。在混合场景下，TransFall 的性能随 λ 的变化略有波动，标签准确性的标准差为 0.009。为验证 TransFall 在其他实验中的性能，σ 设为 0.3，λ 设为 0.004。

1.2 练习问题

以下是一系列关于移动健康迁移学习的练习问题：
1. 移动健康系统中机器学习算法设计的可扩展性挑战有哪些？
2. 解释空间不确定性，并提供两个此类不确定性的例子。
3. 迁移学习算法的目标是什么？解释迁移学习中源和目标的术语。
4. 迁移学习的教师/学习者方法是什么？
5. 讨论 TransFall 和 IWLSPC 的异同。