基于 RBM 中 Gibbs 采样过程的跨域样本迁移
机器学习
2020-06-26 v1 机器学习
摘要
本文提出一种基于 Gibbs 采样的迁移学习（TL）新思路。Gibbs 采样是一种使样本以较高概率依据概率分布转移到新状态的算法。我们发现该算法可用于在域间迁移样本。受限玻尔兹曼机（RBM）是一种基于能量的模型，非常适于训练以表示数据分布并执行 Gibbs 采样。我们利用 RBM 捕获源域的数据分布，并借此将目标域样本投射为具有近似源数据分布的新数据。使用常用于评估 TL 方法的数据集，我们表明该方法能以可观的比例成功提升目标分类性能。此外，相较于常见领域自适应（DA）方法，所提方法的优势在于训练模型过程中无需目标数据。
引用
@article{arxiv.2006.14538,
title = {Between-Domain Instance Transition Via the Process of Gibbs Sampling in RBM},
author = {Hossein Shahabadi Farahani and Alireza Fatehi and Mahdi Aliyari Shoorehdeli},
journal= {arXiv preprint arXiv:2006.14538},
year = {2020}
}