基于异构迁移学习的特征增强方法、装置及存储介质与流程

技术特征：
1.基于异构迁移学习的特征增强方法，其特征在于，包括：从多个源域进行第一特征提取，得到第一特征集合；从目标域进行第二特征提取，得到第二特征集合；根据预设的原始特征、所述第一特征集合和所述第二特征集合，在异构特征空间进行所述源域和所述目标域之间的迁移学习，构建得到基于迁移学习的异构特征空间；其中，所述基于迁移学习的异构特征空间用于进行特征提取。2.根据权利要求1所述的基于异构迁移学习的特征增强方法，其特征在于，所述根据预设的原始特征、所述第一特征集合和所述第二特征集合，在异构特征空间进行所述源域和所述目标域之间的迁移学习，构建得到基于迁移学习的异构特征空间，包括：将所述源域和所述目标域的隐空间映射到一个共享隐空间中，所述共享隐空间中还包括所述原始特征。3.根据权利要求2所述的基于异构迁移学习的特征增强方法，其特征在于，所述将所述源域和所述目标域的隐空间映射到一个共享隐空间中，包括：根据所述共享隐空间，构造第一投影矩阵和第二投影矩阵；根据所述第一投影矩阵，将所述源域的原始特征合并到所述源域的第一特征集合中；根据所述第二投影矩阵，将所述目标域的原始特征合并到所述目标特征的第二特征集合中。4.根据权利要求3所述的基于异构迁移学习的特征增强方法，其特征在于，所述将所述源域和所述目标域的隐空间映射到一个共享隐空间中，还包括：采取监督或者半监督学习方式进行性能最大化的分类。5.基于异构迁移学习的特征增强装置，其特征在于，包括：第一模块，用于从多个源域进行第一特征提取，得到第一特征集合；第二模块，用于从目标域进行第二特征提取，得到第二特征集合；第三模块，用于根据预设的原始特征、所述第一特征集合和所述第二特征集合，在异构特征空间进行所述源域和所述目标域之间的迁移学习，构建得到基于迁移学习的异构特征空间；其中，所述基于迁移学习的异构特征空间用于进行特征提取。6.根据权利要求5所述的基于异构迁移学习的特征增强装置，其特征在于，所述第三模块，包括：第一单元，用于根据所述共享隐空间，构造第一投影矩阵和第二投影矩阵；第二单元，用于根据所述第一投影矩阵，将所述源域的原始特征合并到所述源域的第一特征集合中；第三单元，用于根据所述第二投影矩阵，将所述目标域的原始特征合并到所述目标特征的第二特征集合中。7.根据权利要求6所述的基于异构迁移学习的特征增强装置，其特征在于，所述第三模块，还包括：第四单元，用于采取监督或者半监督学习方式进行性能最大化的分类。8.一种电子设备，其特征在于，包括处理器以及存储器；所述存储器用于存储程序；
所述处理器执行所述程序实现如权利要求1-4中任一项所述的方法。9.一种计算机可读存储介质，其特征在于，所述存储介质存储有程序，所述程序被处理器执行实现如权利要求1-4中任一项所述的方法。10.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-4任意一项所述的方法。

技术总结
本发明公开了基于异构迁移学习的特征增强方法、装置及存储介质，方法包括：从多个源域进行第一特征提取，得到第一特征集合；从目标域进行第二特征提取，得到第二特征集合；根据预设的原始特征、所述第一特征集合和所述第二特征集合，在异构特征空间进行所述源域和所述目标域之间的迁移学习，构建得到基于迁移学习的异构特征空间；其中，所述基于迁移学习的异构特征空间用于进行特征提取。本发明将原始特征与源域和目标域中提取的特征进行结合，能够在提高迁移学习性能的基础上解决负迁移的问题，可广泛应用于人工智能技术领域。可广泛应用于人工智能技术领域。可广泛应用于人工智能技术领域。


技术研发人员：张忠平 王永斌 肖益珊 季文翀 丛煜华 郑涛
受保护的技术使用者：宜通世纪科技股份有限公司
技术研发日：2021.11.09
技术公布日：2022/3/7