基于对抗神经表示学习的异构域自适应：在电子商务和网络安全上的实验
机器学习
2023-05-02 v1 人工智能
摘要
在训练数据稀缺的新领域中学习预测模型，是现代监督学习场景中日益严峻的挑战。这促使开发域自适应方法，利用已知领域（源域）的知识，并适应具有不同概率分布的新领域（目标域）。当源域和目标域处于异构特征空间时，这变得更具挑战性，被称为异构域自适应（Heterogeneous Domain Adaptation, HDA）。虽然大多数HDA方法利用数学优化将源数据和目标数据映射到一个公共空间，但它们存在可迁移性低的问题。神经表示已被证明更具可迁移性；然而，它们主要针对同构环境设计。借鉴域自适应理论，我们提出了一种新颖的框架——异构对抗神经域自适应（Heterogeneous Adversarial Neural Domain Adaptation, HANDA），以有效最大化异构环境中的可迁移性。HANDA在统一的神经网络架构中进行特征和分布对齐，并通过对抗核学习实现域不变性。我们在主要的图像和文本电子商务基准上进行了三项实验，以评估其与最先进HDA方法的性能。HANDA在预测性能上显示出统计显著的提升。HANDA的实际效用已在真实世界的暗网在线市场中展示。HANDA是朝着在电子商务应用中实现成功域自适应迈出的重要一步。
引用
@article{arxiv.2205.07853,
title = {Heterogeneous Domain Adaptation with Adversarial Neural Representation Learning: Experiments on E-Commerce and Cybersecurity},
author = {Mohammadreza Ebrahimi and Yidong Chai and Hao Helen Zhang and Hsinchun Chen},
journal= {arXiv preprint arXiv:2205.07853},
year = {2023}
}
备注
Forthcoming in IEEE Transactions on Pattern Recognition and Machine Intelligence (TPAMI)