无监督域适应中复杂模型的域差异度量
机器学习
2019-10-23 v3 机器学习
摘要
恰当评估域之间的差异对于无监督域适应的成功至关重要。在本文中，我们首先指出，当使用深度神经网络等复杂模型时，现有的差异度量提供的信息较少，此外它们计算开销可能极高，且应用范围仅限于二分类。随后我们提出一种新的域差异度量，称为配对假设差异（PHD），以克服这些缺陷。PHD 计算高效且适用于多分类。通过泛化误差界分析，我们从理论上证明 PHD 即使对复杂模型也有效。最后，我们通过实验展示了 PHD 的实用价值。
引用
@article{arxiv.1901.10654,
title = {Domain Discrepancy Measure for Complex Models in Unsupervised Domain Adaptation},
author = {Jongyeong Lee and Nontawat Charoenphakdee and Seiichi Kuroki and Masashi Sugiyama},
journal= {arXiv preprint arXiv:1901.10654},
year = {2019}
}
备注
21 pages