用于域适应的条件Bures度量

作为面向分类的迁移中的一个重要问题，无监督域适应（UDA）近年来引起了广泛关注。先前的UDA方法假设不同域的边缘分布发生偏移，而忽略了标签分布中的判别信息。这导致在实际应用中分类性能退化。在本工作中，我们关注当前条件不变模型极为关切的条件分布偏移问题。我们旨在寻找尚未被探索的条件分布的核协方差嵌入。理论上，我们提出条件核Bures（CKB）度量来刻画条件分布差异，并推导了CKB度量的经验估计，且无需引入隐式核特征映射。它提供了一种可解释的方法来理解知识迁移机制。所建立的经验估计一致性理论为收敛提供了理论保证。我们提出了一个条件分布匹配网络，用于学习UDA的条件不变且具判别性的特征。大量实验与分析显示了我们所提模型的优越性。