TCA方法Matlab实现

数据获取
由于我们要测试非深度方法，因此，选择SURF特征文件作为算法的输入。SURF特征文件可以从网络上下载。下载到的文件主要包含4个.mat文件：Caltech.mat, amazon.mat, webcam.mat, dslr.mat。它们恰巧对应4个不同的领域。彼此之间两两一组，就是一个迁移学习任务。每个数据文件包含两个部分：fts为800维的特征，labels为对应的标注。在测试中，我们选择由Caltech.mat作为源域，由amazon.mat作为目标域。Office+Caltech10数据集的介绍可以在本手册的附录部分找到。
我们对数据进行加载并做简单的归一化，将最后的数据存入Xs,Ys,Xt,YtX_s,Y_s,X_t,Y_tXs​,Ys​,Xt​,Yt​这四个变量中。这四个变量分别对应源域的特征和标注、以及目标域的特征和标注。代码如下：
load('Caltech.mat');     % source domain
fts = fts ./ repmat(sum(fts,2),1,size(fts,2)); 
Xs = zscore(fts,1);    clear fts
Ys = labels;           clear labels
​
load('amazon.mat');    % target domain
fts = fts ./ repmat(sum(fts,2),1,size(fts,2)); 
Xt = zscore(fts,1);     clear fts
Yt = labels;            clear labels
算法精炼
TCA主要进行边缘分布自适应。通过整理化简，TCA最终的求解目标是：
(XMX⊤+λI)A=XHX⊤AΦ\left(\mathbf{X} \mathbf{M} \mathbf{X}^\top + \lambda \mathbf{I}\right) \mathbf{A} =\mathbf{X} \mathbf{H} \mathbf{X}^\top \mathbf{A} \Phi(XMX⊤+λI)A=XHX⊤AΦ
上述表达式可以通过Matlab自带的eigs()函数直接求解。A\mathbf{A}A就是我们要求解的变换矩阵。下面我们需要明确各个变量所指代的含义：
​X\mathbf{X}X: 由源域和目标域数据共同构成的数据矩阵
​CCC: 总的类别个数。在我们的数据集中，C=10C=10C=10​
​Mc\mathbf{M}_cMc​: MMD矩阵。当c=0c=0c=0时为全MMD矩阵；当c>1c>1c>1时对应为每个类别- 的矩阵。
​I\mathbf{I}I：单位矩阵
​λ\lambdaλ：平衡参数，直接给出
​H\mathbf{H}H: 中心矩阵，直接计算得出
​Φ\PhiΦ: 拉格朗日因子，不用理会，求解用不到
编写代码
我们直接给出精炼后的源码：
function [X_src_new,X_tar_new,A] = TCA(X_src,X_tar,options)
% The is the implementation of Transfer Component Analysis.
% Reference: Sinno Pan et al. Domain Adaptation via Transfer Component Analysis. TNN 2011.
​
% Inputs: 
%%% X_src          :    source feature matrix, ns * n_feature
%%% X_tar          :    target feature matrix, nt * n_feature
%%% options        :    option struct
%%%%% lambda       :    regularization parameter
%%%%% dim          :    dimensionality after adaptation (dim <= n_feature)
%%%%% kernel_tpye  :    kernel name, choose from 'primal' | 'linear' | 'rbf'
%%%%% gamma        :    bandwidth for rbf kernel, can be missed for other kernels
​
% Outputs: 
%%% X_src_new      :    transformed source feature matrix, ns * dim
%%% X_tar_new      :    transformed target feature matrix, nt * dim
%%% A              :    adaptation matrix, (ns + nt) * (ns + nt)
​
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
​
%% Set options
lambda = options.lambda;              
dim = options.dim;                    
kernel_type = options.kernel_type;    
gamma = options.gamma;                
​
%% Calculate
X = [X_src',X_tar'];
X = X*diag(sparse(1./sqrt(sum(X.^2))));
[m,n] = size(X);
ns = size(X_src,1);
nt = size(X_tar,1);
e = [1/ns*ones(ns,1);-1/nt*ones(nt,1)];
M = e * e';
M = M / norm(M,'fro');
H = eye(n)-1/(n)*ones(n,n);
if strcmp(kernel_type,'primal')
[A,~] = eigs(X*M*X'+lambda*eye(m),X*H*X',dim,'SM');
Z = A' * X;
Z = Z * diag(sparse(1./sqrt(sum(Z.^2))));
X_src_new = Z(:,1:ns)';
X_tar_new = Z(:,ns+1:end)';
else
K = TCA_kernel(kernel_type,X,[],gamma);
[A,~] = eigs(K*M*K'+lambda*eye(n),K*H*K',dim,'SM');
Z = A' * K;
Z = Z*diag(sparse(1./sqrt(sum(Z.^2))));
X_src_new = Z(:,1:ns)';
X_tar_new = Z(:,ns+1:end)';
end
end
​
% With Fast Computation of the RBF kernel matrix
% To speed up the computation, we exploit a decomposition of the Euclidean distance (norm)
%
% Inputs:
%       ker:    'linear','rbf','sam'
%       X:      data matrix (features * samples)
%       gamma:  bandwidth of the RBF/SAM kernel
% Output:
%       K: kernel matrix
%
% Gustavo Camps-Valls
% 2006(c)
% Jordi (jordi@uv.es), 2007
% 2007-11: if/then -> switch, and fixed RBF kernel
% Modified by Mingsheng Long
% 2013(c)
% Mingsheng Long (longmingsheng@gmail.com), 2013
function K = TCA_kernel(ker,X,X2,gamma)
​
switch ker
case 'linear'
​
if isempty(X2)
K = X'*X;
else
K = X'*X2;
end
​
case 'rbf'
​
n1sq = sum(X.^2,1);
n1 = size(X,2);
​
if isempty(X2)
D = (ones(n1,1)*n1sq)' + ones(n1,1)*n1sq -2*X'*X;
else
n2sq = sum(X2.^2,1);
n2 = size(X2,2);
D = (ones(n2,1)*n1sq)' + ones(n1,1)*n2sq -2*X'*X2;
end
K = exp(-gamma*D); 
​
case 'sam'
​
if isempty(X2)
D = X'*X;
else
D = X'*X2;
end
K = exp(-gamma*acos(D).^2);
​
otherwise
error(['Unsupported kernel ' ker])
end
end
我们将TCA方法包装成函数TCA}。注意到TCA是一个无监督迁移方法，不需要接受label作为参数。因此，函数共接受3个输入参数：
​Xsrc\mathrm{X_{src}}Xsrc​: 源域的特征，大小为ns×mn_s \times mns​×m​
​Xtar\mathrm{X_{tar}}Xtar​: 目标域的特征，大小为nt×mn_t \times mnt​×m​
​options\mathrm{options}options: 参数结构体，它包含：
​λ\lambdaλ: 平衡参数，可以自由给出
​dimdimdim: 算法最终选择将数据将到多少维
​kerneltypekernel typekerneltype: 选择的核类型，可以选择RBF、线性、或无核
​γ\gammaγ: 如果选择RBF核，那么它的宽度为$$\gamma$ 
函数的输出包含3项：
​XsrcnewX_{srcnew}Xsrcnew​: TCA后的源域
​XtarnewX_{tarnew}Xtarnew​: TCA后的目标域
​AAA: 最终的变换矩阵
测试算法
我们使用如下的代码对TCA算法进行测试：
options.gamma = 2;          % the parameter for kernel
options.kernel_type = 'linear';
options.lambda = 1.0;
options.dim = 20;
[X_src_new,X_tar_new,A] = TCA(Xs,Xt,options);
​
% Use knn to predict the target label
knn_model = fitcknn(X_src_new,Y_src,'NumNeighbors',1);
Y_tar_pseudo = knn_model.predict(X_tar_new);
acc = length(find(Y_tar_pseudo==Y_tar))/length(Y_tar); 
fprintf('Acc=%0.4f\n',acc);
结果显示如下：
    Acc=0.4499
至此，Matlab版TCA实现完成。完整代码可以在Github上找到。
第10章上手实践 - Previous
上手实践
Next - 第10章上手实践
TCA方法Python实现
Last updated 1 year ago