基于线性变换的域偏移自适应
机器学习
2022-01-17 v1
摘要
利用源域(A)数据学习得到的预测器 ，当源域与目标域(B)分布不同时，在目标域上可能不准确。域自适应旨在减少这种分布失配的负面影响。在此，我们分析如下情形：， 但 ；其中存在 的仿射变换使得所有分布等价。我们提出一种方法，将源域和目标域投影到一个低维公共空间：(1) 将各域投影到其经验协方差矩阵的特征向量上，然后 (2) 寻找一个正交矩阵，使两域投影之间的最大均值差异最小化。对于任意仿射变换，在执行无监督域自适应时存在固有的不可辨识问题，该问题可在半监督情形下得到缓解。我们在模拟数据和二值数字分类任务中展示了方法的有效性，在纠正数据中的域偏移时准确率提升高达 48%。
引用
@article{arxiv.2201.05282,
title = {Domain-shift adaptation via linear transformations},
author = {Roberto Vega and Russell Greiner},
journal= {arXiv preprint arXiv:2201.05282},
year = {2022}
}