基于决策边界优化的域适应
计算机视觉与模式识别
2025-02-11 v1
摘要
最大均值不等式（MMD）在众多域适应（DA）方法中被广泛使用，显示出在跨域数据分布对齐方面的有效性。然而，之前的 DA 研究中，MMD 基于的 DA 方法主要关注分布对齐，忽略了针对分类的决策边界优化，导致难以降低 DA 上限误差。本文提出一种强化的 MMD 测量，称为决策边界优化型 MMD（DB-MMD），使 MMD 能够充分考虑决策边界，从而在混合框架中同时优化分布对齐和跨域分类器，实现受理论边界指导的 DA。我们进一步将所提出的 DB-MMD 测量无缝嵌入到几种流行的 DA 方法中，如 MEDA、DGA-DA，以展示其在不同实验设置下的有效性。我们在 8 个标准 DA 数据集上进行全面实验。实验结果表明，采用 DB-MMD 的 DA 方法相对于采用普通 MMD 的基线模型具有提升，其优势可达 9.5。
引用
@article{arxiv.2502.06498,
title = {Decision Boundary Optimization-Informed Domain Adaptation},
author = {Lingkun Luo and Shiqiang Hu and Jie Yang and Liming Chen},
journal= {arXiv preprint arXiv:2502.06498},
year = {2025}
}