一种通用的领域自适应方法及其在天文学中的应用
机器学习
2019-09-25 v1 机器学习
摘要
在源任务上构建模型并随后将该模型适配到新目标任务的能力，是许多天文应用中的普遍需求。该问题在机器学习中一般称为迁移学习，其中领域自适应是一种常见场景。一个例子是在光谱数据上构建预测模型以识别 Ia 型超新星，随后尝试将该模型适配到测光数据。本文提出一种不依赖于源分布与目标分布相近性的新通用领域自适应方法。我们仅假设跨领域的模型复杂度高度相似，并使用主动学习来减轻对源样本的依赖。我们的工作利用理论学习界将似然作为经验误差的函数给出了新的表述；其结果是一种从泛化误差到似然估计的新映射。使用两个真实天文问题（Ia 型超新星分类与火星地貌识别）的结果显示了我们方法的两大优势： accuracy 性能提升与计算成本的大幅节省。
引用
@article{arxiv.1812.08839,
title = {A General Approach to Domain Adaptation with Applications in Astronomy},
author = {Ricardo Vilalta and Kinjal Dhar Gupta and Dainis Boumber and Mikhail M. Meskhi},
journal= {arXiv preprint arXiv:1812.08839},
year = {2019}
}