域变换器：预测未见未来域的样本
机器学习
2022-06-13 v2 人工智能
摘要
数据分布通常随时间演化，导致概念漂移等问题，常降低分类器性能。当前技术不足以应对该问题，因为它们要么需要变换的详细知识，要么不适合预测未见域，而只能适应已有数据样本的域。我们力求预测未见数据（及其标签），使我们能够以主动方式应对非恒定数据分布的挑战，而非检测并反应于可能已导致错误的既有变化。为此，我们以无监督方式学习一个域变换器，可生成未见域的数据。我们的方法首先使用 Cycle-GAN 匹配由自编码器获得的给定两个域的独立学习潜表示。进而可学习原始样本的变换，并可迭代应用以外推至未见域。我们对图像数据上 CNN 的评估证实了该方法的有用性。它在著名无监督域适应问题上也取得了非常好的结果，其中仅需预测标签而无需预测样本。代码见 https://github.com/JohnTailor/DoTra。
引用
@article{arxiv.2106.06057,
title = {Domain Transformer: Predicting Samples of Unseen, Future Domains},
author = {Johannes Schneider},
journal= {arXiv preprint arXiv:2106.06057},
year = {2022}
}