CASUAL:面向标签偏移域适应的条件支撑对齐
机器学习
2024-12-31 v2
摘要
无监督域适应(UDA)指一种域适应框架,其中学习模型基于源域有标签样本与目标域无标签样本进行训练。该领域现有主流方法依赖经典协变量偏移假设来学习域不变特征表示,在标签分布偏移下表现次优。本文提出一种新颖的条件对抗支撑对齐(CASUAL),旨在最小化源域与目标域特征表示分布间的条件对称支撑散度,以获得更具判别性的分类表示。我们还引入一种新颖的理论目标风险界,论证了在 UDA 设定下对齐条件特征分布支撑相较于已有边缘支撑对齐方法的优势。随后给出完整的训练流程,其目标优化函数精确基于所提目标风险界。实证结果表明,CASUAL 在不同标签偏移条件下的多个 UDA 基准任务上优于其他最先进方法。
引用
@article{arxiv.2305.18458,
title = {CASUAL: Conditional Support Alignment for Domain Adaptation with Label Shift},
author = {Anh T Nguyen and Lam Tran and Anh Tong and Tuan-Duy H. Nguyen and Toan Tran},
journal= {arXiv preprint arXiv:2305.18458},
year = {2024}
}
备注
Accepted at AAAI 2025