基于公共分解空间的不相交标签空间迁移学习
计算机视觉与模式识别
2018-12-07 v1 机器学习
摘要
本文提出一种统一的迁移学习方法，以单一模型应对若干源域与目标域标签空间及标注假设。它在处理源域与目标域标签空间不相交这一挑战性情形时尤为有效，并在无监督与半监督设定下均优于其他替代方法。其核心要素是一种称为公共分解空间（Common Factorised Space）的共享表示。它在源域与目标域间共享，并通过无监督分解损失与基于图的损失进行训练。通过大量实验，我们证明了该方法在具有不相交标签空间的挑战性情形，以及源域与目标域共享相同标签集等更常规情形（如无人监督域适应）中的灵活性、相关性与有效性。
引用
@article{arxiv.1812.02605,
title = {Disjoint Label Space Transfer Learning with Common Factorised Space},
author = {Xiaobin Chang and Yongxin Yang and Tao Xiang and Timothy M. Hospedales},
journal= {arXiv preprint arXiv:1812.02605},
year = {2018}
}
备注
AAAI-19