基于扰动变异标签迁移的多数投票域自适应
机器学习
2016-06-24 v1 机器学习
摘要
我们致力于解决 PAC-Bayesian 域自适应 (DA) 问题。当人们希望从源分布中学习到一个在不同于源分布的目标分布上表现良好的加权多数投票（在一组分类器之上）时，就会出现该问题。在此背景下，控制分类器之间的分歧至关重要。在非 DA 监督设置中，一个理论界限——C-bound——涉及这种分歧，并导出了多数投票学习算法：MinCq。在本工作中，我们利用一种称为扰动变异 (Perturbed Variation, PV) 的优雅分布散度，将 MinCq 扩展至 DA 领域。首先，基于 C-bound 的新公式，我们通过基于 PV 的自标记为 MinCq 提供带标签的目标样本，该自标记聚焦于源分布和目标边缘分布更接近的区域。其次，我们提出了一种原创的超参数调整过程。我们的框架在一个玩具问题上展示了非常有前景的结果。
引用
@article{arxiv.1311.4833,
title = {Domain Adaptation of Majority Votes via Perturbed Variation-based Label Transfer},
author = {Emilie Morvant},
journal= {arXiv preprint arXiv:1311.4833},
year = {2016}
}