面向异构多变量数据的快速准确可迁移性度量
机器学习
2021-02-01 v2 人工智能
机器学习
摘要
给定一组带有其分类器的异构源数据集，我们如何为特定目标任务快速找到最有用的源数据集？我们解决了源与目标具有不同特征空间和分布时，源与目标数据集之间可迁移性的度量问题。我们提出Transmeter，一种快速且准确估计两个异构多变量数据集可迁移性的方法。我们应对了度量两个异构多变量数据集间可迁移性的三个挑战：减少时间、最小化域差距、提取有意义的同构表示。为克服上述问题，我们利用了预训练源模型、对抗网络以及编码器-解码器架构。在异构多变量数据集上的大量实验表明，Transmeter给出了最准确的可迁移性度量，且比其竞争方法快至多10.3倍。我们还展示了用Transmeter选择最佳源数据后再进行完整迁移，可带来最佳的迁移准确率和最快的运行时间。
引用
@article{arxiv.1912.13366,
title = {Fast and Accurate Transferability Measurement for Heterogeneous Multivariate Data},
author = {Seungcheol Park and Huiwen Xu and Taehun Kim and Inhwan Hwang and Kyung-Jun Kim and U Kang},
journal= {arXiv preprint arXiv:1912.13366},
year = {2021}
}