基于可分解联合偏移的域适应

现有的域适应（DA）通常假设域偏移来源于协变量或标签之一。然而，在真实世界应用中，从不同域选取的样本可能在协变量和标签上均存在偏差。本文提出一种新的假设——可分解联合偏移（FJS），以处理协变量与标签中采样偏差共存的情况。尽管允许来自两侧的偏移，FJS 假设两个因素之间的偏差相互独立。我们从理论和实验上阐明了 FJS 何时退化为先前的假设，以及何时必须使用它。我们进一步提出联合重要性对齐（JIA），一种判别性学习目标，用于为监督和无监督域适应获取联合重要性估计器。我们的方法可无缝集成到现有域适应算法中，以更好地进行训练数据的重要性估计与加权。在合成数据集上的实验证明了我们方法的优势。