摘要:由于传统机器学习方法的有效性依赖于大量的有效训练数据,而这难以满足,因此迁移学习被广泛研究并成为近年来的研究热门.针对当前多分类场景训练数据严重不足造成分类性能下降的挑战,提出了一种基于DLSR的归纳式迁移学习方法(TDLSR).该方法基于归纳式迁移学习框架,利用一种知识杠杆机制,从源域中迁移知识并结合目标域数据同时用于模型学习,在保证性能的基础上保护源域数据的安全性.TDLSR继承了DLSR通过扩大不同类别之间的间隔以适用于多分类任务这一特性,且具备DLSR所没有的迁移学习能力.因此保证了学习模型的合理性,更适用于复杂的多分类任务.通过在12个真实UCI数据集上的实验验证了本文方法在应对上述挑战时,具有很好的实验效果.