因果生成式域适应网络
机器学习
2018-06-29 v3 机器学习
摘要
域适应的一个核心问题是理解并利用跨域的分布变化。为此，我们首先提出一种灵活的生成式域适应网络（G-DAN），其具有特定潜变量以捕获跨域特征生成过程的变化。通过显式建模变化，甚至可以使用 G-DAN 中潜变量的新取值，通过该生成过程在新域中生成数据。在实践中，共同生成所有特征的过程可能涉及高维潜变量，需要处理高维分布，并难以从少量源域中学习域变化。有趣的是，通过进一步利用联合分布的因果表示，我们将联合分布分解为独立模块，每个模块涉及不同的低维潜变量且可分别学习，从而得到因果 G-DAN（CG-DAN）。这提升了学习过程的统计与计算效率。最后，通过匹配目标域中的特征分布，我们可以恢复目标域联合分布并推导目标域的学习机器。我们在合成与真实数据实验上展示了 G-DAN 与 CG-DAN 在域生成与跨域预测中的有效性。
引用
@article{arxiv.1804.04333,
title = {Causal Generative Domain Adaptation Networks},
author = {Mingming Gong and Kun Zhang and Biwei Huang and Clark Glymour and Dacheng Tao and Kayhan Batmanghelich},
journal= {arXiv preprint arXiv:1804.04333},
year = {2018}
}
备注
12 pages