基于 Fisher 线性判别的近似最优领域自适应
信号处理
2024-03-05 v3 机器学习
应用统计
统计方法学
机器学习
摘要
我们在领域自适应的背景下提出了一类基于 Fisher 线性判别（FLD）的模型。该类模型是两个假设的凸组合：i) 代表先前所见源任务的平均假设，以及 ii) 在新目标任务上训练的假设。对于特定的生成式设置，我们推导出了在 0-1 损失下两个模型的最优凸组合，提出了一种可计算的近似，并研究了各种参数设置对最优假设、假设 i) 和假设 ii) 之间相对风险的影响。我们在基于 EEG 和 ECG 的分类设置中展示了所提出最优分类器的有效性，并论证了在无法访问任何单个源任务直接信息的情况下，该最优分类器是可以被计算出来的。最后，我们讨论了进一步的应用、局限性和可能的未来方向。
关键词
引用
@article{arxiv.2302.14186,
title = {Approximately optimal domain adaptation with Fisher's Linear Discriminant},
author = {Hayden S. Helm and Ashwin De Silva and Joshua T. Vogelstein and Carey E. Priebe and Weiwei Yang},
journal= {arXiv preprint arXiv:2302.14186},
year = {2024}
}