领域适应简述
机器学习
2020-10-12 v1 计算机视觉与模式识别
摘要
经典机器学习假设训练集和测试集来自相同的分布。因此，从标注训练数据中学习到的模型有望在测试数据上表现良好。然而，在现实世界的应用中，这一假设可能并不总是成立，由于许多因素，例如从不同来源收集训练集和测试集，或者由于数据随时间变化而拥有过时的训练集，训练数据和测试数据可能来自不同的分布。在这种情况下，领域分布之间会存在差异，天真地将训练好的模型应用于新数据集可能会导致性能下降。领域适应是机器学习中的一个子领域，旨在通过对齐领域之间的差异来处理这类问题，使得训练好的模型能够泛化到感兴趣的领域。本文专注于无监督领域适应，其中标签仅在源域中可用。它从不同视角探讨了领域适应的分类。此外，它还介绍了一些成功的浅层和深层领域适应方法，旨在处理领域适应问题。
引用
@article{arxiv.2010.03978,
title = {A Brief Review of Domain Adaptation},
author = {Abolfazl Farahani and Sahar Voghoei and Khaled Rasheed and Hamid R. Arabnia},
journal= {arXiv preprint arXiv:2010.03978},
year = {2020}
}