王士同， 钟富礼， 蒋亦樟， 邓赵红， 钱鹏江

(1.江南大学数字媒体学院，江苏无锡214122;2.香港理工大学计算机系，香港)

传统机器学习方法发展至今已取得了许多重 大研究成果［1-4］，其学习模式通常包含无监督学习和有监督学习两种。无监督学习中，聚类分析［5-7］是一类代表方法;而对于有监督学习，分类和回归［8-12］应用更为普遍。就上述的两种传统机器学习模式而言，无论是无监督学习还是有监督学习，其在学习过程中必须基于对大量数据的分析和学习方可构建较好的模型，从而进行进一步的数据分析或预测。然而，在实际应用中，大量可用及有用的数据由于时间、采集设备等因素而不易获取。如在处理某一新兴领域的建模问题时，模型构建初期，数据量往往较少不足以构建一个满意的模型。这时通常需要借助大量且有效的历史数据为模型得以充分训练起到支撑作用，但是历史数据通常与当前数据不同源或是虽然同源但由于生产环境与条件的不同，致使这些数据存在某种程度上的差异性。若继续使用传统的机器学习方法进行建模，所得模型在新数据并不充分或数据自身采集时就存在信息缺失问题，所建的系统必定变得不可靠，故难以用于实际的生产活动中。此外，对于无监督的学习方法，如聚类分析其同样在面对数据量缺乏的聚类任务时，由于数据缺乏导致聚类信息不明确，进而造成最终所能获取的聚类结果不佳。以上缺陷均因传统的机器学习模式所导致，如何更智能的学习则是当前的研究重点。……