异构域适应：一种无监督方法
机器学习
2020-02-11 v5 机器学习
摘要
域适应利用一个域（源域）中的知识来提升另一域（目标域）的学习效率。现有的异构域适应研究相对进展良好，但仅限于目标域至少包含少量有标签样本的情形。相比之下，目标域无标签的异构域适应尚未得到充分研究。为贡献于这一新兴领域的研究，本文提出：(1) 一个保证知识迁移正确性的无监督知识迁移定理；以及 (2) 一个基于主角的度量，用于衡量两对域之间的距离：一对包含原始源域与目标域，另一对包含两个域的同质表示。该定理与度量已在一个创新的迁移模型中实现，称为 Grassmann-线性单调映射-测地流核（GLG），其专为异构无监督域适应（HeUDA）而设计。线性单调映射满足该定理的条件，并用于构造异构域的同质表示。该度量展示了同质表示在多大程度上保留了原始源域与目标域中的信息。通过最小化所提度量，GLG模型学习异构域的同质表示，并经由测地流核通过这些习得的表示迁移知识。为评估模型，五个公开数据集被重组为跨三种应用的十项HeUDA任务：癌症检测、信用评估和文本分类。实验表明，所提模型相较现有基线具有更优性能。
引用
@article{arxiv.1701.02511,
title = {Heterogeneous domain adaptation: An unsupervised approach},
author = {Feng Liu and Guanquan Zhang and Jie Lu},
journal= {arXiv preprint arXiv:1701.02511},
year = {2020}
}
备注
This paper has been accepted by IEEE transactions on neural networks and learning systems (TNNLS)