用于域适应的判别联合概率最大均值差异（DJP-MMD）
机器学习
2020-04-13 v4 计算机视觉与模式识别
机器学习
摘要
最大均值差异（MMD）已被广泛采用于域适应中以度量源域与目标域分布之间的差异。许多现有域适应方法基于联合 MMD，其计算为边缘分布差异与条件分布差异的（加权）和；然而，一种更自然的度量可能是它们的联合概率分布差异。此外，大多数度量仅旨在提升域间的可迁移性，却忽略了不同类间的可判别性，这可能导致分类性能不足。为解决这些问题，本文提出判别联合概率 MMD（DJP-MMD）以替代域适应中频繁使用的联合 MMD。它有两个理想性质：1）为计算分布差异提供了更简单且更准确的新理论基础；2）同时提升可迁移性与可判别性。我们通过将其嵌入联合概率域适应框架来验证其性能。在六个图像分类数据集上的实验表明，所提出的 DJP-MMD 优于传统 MMD。
引用
@article{arxiv.1912.00320,
title = {Discriminative Joint Probability Maximum Mean Discrepancy (DJP-MMD) for Domain Adaptation},
author = {Wen Zhang and Dongrui Wu},
journal= {arXiv preprint arXiv:1912.00320},
year = {2020}
}
备注
Int'l Joint Conf. on Neural Networks (IJCNN), Glasgow, UK, July 2020