自动在线多源域自适应
机器学习
2021-09-14 v2 人工智能
摘要
跨多个流过程的知识迁移仍然是一个具有挑战性的问题，这不仅因为各个流的分布不同，还因为数据流环境的快速变化与永不停歇。尽管该领域研究成绩日益增长，现有大多数工作针对单一源域开发，这限制了其利用多源域的韧性——而多源域有利于从概念漂移中快速恢复并避免负迁移问题。本文提出一种多源流过程下的在线域自适应技术，称为自动在线多源域自适应（AOMSDA）。AOMSDA的在线域自适应策略在去噪自编码器（DAE）的生成式与判别式耦合方法下公式化，其中集成了基于中心矩差异（CMD）的正则化项以处理多源域的存在，从而利用互补信息源。在不同时期发生的异步概念漂移通过自组织结构和节点重加权策略来解决。我们的数值研究表明，AOMSDA在8个研究案例中的5个能够优于同类方法，而消融研究显示了各学习组件的优势。此外，AOMSDA对任意数量的源流均具有通用性。AOMSDA的源代码已在 https://github.com/Renchunzi-Xie/AOMSDA.git 公开。
引用
@article{arxiv.2109.01996,
title = {Automatic Online Multi-Source Domain Adaptation},
author = {Renchunzi Xie and Mahardhika Pratama},
journal= {arXiv preprint arXiv:2109.01996},
year = {2021}
}
备注
this paper has been accepted in Information Sciences