基于差异的主动学习用于域适应
机器学习
2022-09-15 v3
摘要
本文的目标是设计在 Lipschitz 函数假设下导致域适应的主动学习策略。基于 Mansour 等人（2009）的先前工作，我们改编源分布与目标分布间差异距离的概念，以将假设类上的最大化限制于在源域上执行准确标注的局部化函数类。我们针对此类主动学习策略，在 Rademacher 平均与局部化差异方面推导了满足正则性条件的通用损失函数的泛化误差界。由一个理论界推断出一种可处理大数据集情形的实用 K-medoids 算法。我们的数值实验表明，所提算法在域适应背景下，尤其约十万图像的大数据集上，相对于其他最先进的主动学习技术具有竞争力。
引用
@article{arxiv.2103.03757,
title = {Discrepancy-Based Active Learning for Domain Adaptation},
author = {Antoine de Mathelin and Francois Deheeger and Mathilde Mougeot and Nicolas Vayatis},
journal= {arXiv preprint arXiv:2103.03757},
year = {2022}
}
备注
32 pages, 15 figures