基于因果机制迁移的小样本域适应
机器学习
2020-08-20 v2 机器学习
摘要
我们研究回归问题中的小样本监督域适应（DA），其中仅有少量带标签的目标域数据和大量带标签的源域数据可用。当前许多 DA 方法将其迁移假设建立在参数化分布偏移或表观分布相似性（例如条件分布相同或小分布差异）之上。然而，这些假设可能排除从复杂偏移且表观差异很大的分布中进行适应的可能性。为克服该问题，我们提出机制迁移，一种数据生成机制在域间保持不变的元分布场景。该迁移假设能够容纳导致表观不同分布的非参数偏移，同时为 DA 提供坚实的统计基础。我们以因果建模中的结构方程为例，提出一种新颖的 DA 方法，并在理论和实验上均证明其有效性。我们的方法可视为首次尝试充分利用结构因果模型进行 DA。
引用
@article{arxiv.2002.03497,
title = {Few-shot Domain Adaptation by Causal Mechanism Transfer},
author = {Takeshi Teshima and Issei Sato and Masashi Sugiyama},
journal= {arXiv preprint arXiv:2002.03497},
year = {2020}
}
备注
33 pages, 3 figures. Camera-ready version for Thirty-seventh International Conference on Machine Learning (ICML 2020)