域迁移结构化输出学习
机器学习
2014-09-04 v1
摘要
本文提出了域迁移结构化输出学习问题及其首个解决方案。该问题定义在两个共享相同输入空间和输出空间的不同数据域上，分别称为源域和目标域。输出是结构化的；对于源域的数据样本，其对应输出是可用的，而对于大多数目标域的数据样本，其对应输出是缺失的。两个域的输入分布显著不同。该问题的目标是为目标域学习一个预测器，以从输入中预测结构化输出。由于目标域样本可用的输出数量有限，难以直接从目标域学习预测器，因此有必要利用源域中可用的输出信息。我们提出通过将从源域数据训练得到的辅助预测器适配到目标域，来学习目标域预测器。该适配是通过在辅助预测器的基础上添加一个 delta 函数来实现的。我们开发了一种算法来学习 delta 函数的参数，以最小化与具有可用输出的目标域数据样本的真实输出相对应的预测输出的损失函数。
引用
@article{arxiv.1409.1200,
title = {Domain Transfer Structured Output Learning},
author = {Jim Jing-Yan Wang},
journal= {arXiv preprint arXiv:1409.1200},
year = {2014}
}