DARE-GRAM：通过对齐逆Gram矩阵实现无监督域适应回归
计算机视觉与模式识别
2023-03-24 v1 人工智能
摘要
无监督域适应回归(DAR)旨在缩小回归问题中带标签源数据集与无标签目标数据集之间的域差距。近期工作主要集中于通过学习深度特征编码器来最小化源特征与目标特征之间的差异。本工作中，我们通过分析深度域适应背景下线性回归器的闭式普通最小二乘(OLS)解，为DAR问题提供了一种不同视角。我们提出对齐特征的反Gram矩阵，而非对齐原始特征嵌入空间，其动机源于该矩阵在OLS解中的存在以及Gram矩阵捕获特征相关性的能力。具体而言，我们提出了一种简单而有效的DAR方法，其利用伪逆低秩性质，在由两域伪逆Gram矩阵生成的选定子空间中对齐尺度与角度。我们在三个域适应回归基准上评估了该方法。实验结果表明我们的方法达到了最先进的性能。我们的代码可在 https://github.com/ismailnejjar/DARE-GRAM 获取。
引用
@article{arxiv.2303.13325,
title = {DARE-GRAM : Unsupervised Domain Adaptation Regression by Aligning Inverse Gram Matrices},
author = {Ismail Nejjar and Qin Wang and Olga Fink},
journal= {arXiv preprint arXiv:2303.13325},
year = {2023}
}