陶 洋，杨 雯，翁 善，林飞鹏

(重庆邮电大学 通信与信息工程学院，重庆 400065)

0 引 言

在实际应用中，传统机器学习算法面临着缺乏标签样本的困境。近年来，迁移学习和领域自适应方法得到广泛研究，这类方法将源域(训练集)丰富的知识迁移到目标域(测试集)来解决缺乏标签问题[1-3]。基于特征表达的领域适配方法通过原始空间或投影空间中的特征表示实现源域和目标域之间的对齐[4-6]。Zhang等[7]提出了隐稀疏域迁移模型，在域之间联合学习稀疏编码和最优子空间，挖掘子空间中源域和目标域共有的隐藏结构。B.Sun等[8]提出子空间分布对齐法，在子空间对齐的基础上增加了概率分布自适应，对源域和目标域进行二阶特征变换，实现源域和目标域数据对齐。然而这些方法都没有很好地利用样本的标签信息提高分类性能，因此一些方法结合了分类器设计和特征表示算法的优点，利用了样本的标签信息增强了模型的判别性[9-11]，还有一些方法利用样本标签，挖掘了重构矩阵所包含的样本之间的类内与类间信息，提高模型的分类性能[12]。本文中，主要研究了基于特征表示的领域自适应，并提出了基于迁移子空间的半监督领域自适应方法(semi-supervised domain adaptation via transfer subspace，SSDTS)。该方法利用类别标签先验信息，进一步分析同类样本之间的相似性和异类样本之间的差异性，得到鉴别性共享子空间和具有块对角结构的类重构矩阵，最终提高模型的分类性能。

1 相关理论

1.1 子空间学习

子空间学习(subspace learning，SL)是基于某一特定准则，将原始高维的样本变换到低维、有意义的子空间中，其目的是为了找出数据的内在结构[13,14]，得到能反映原始样本分类本质的低维特征。……