HoMM：用于无监督域适应的高阶矩匹配
计算机视觉与模式识别
2019-12-30 v1
摘要
最小化不同域之间特征分布的差异常是无监督域适应中最有前景的方向之一。从分布匹配的角度看，大多数现有的基于差异的方法被设计用于匹配二阶或更低阶统计量，然而这对于非高斯分布统计特性的表达有限。本工作中，我们探索使用高阶统计量（主要指三阶和四阶统计量）进行域匹配的益处。我们提出一种高阶矩匹配（HoMM）方法，并进一步将 HoMM 扩展到再生核希尔伯特空间（RKHS）。特别地，我们提出的 HoMM 可进行任意阶矩张量匹配，我们证明一阶 HoMM 等价于最大均值差异（MMD），二阶 HoMM 等价于相关对齐（CORAL）。此外，三阶和四阶矩张量匹配有望实现更全面的域对齐，因为高阶统计量可逼近更复杂的非高斯分布。除此之外，我们还利用伪标记的目标样本学习目标域中的判别性表示，进一步提升了迁移性能。我们进行了大量实验，表明所提 HoMM 以较大优势一致优于现有的矩匹配方法。代码见 \url{https://github.com/chenchao666/HoMM-Master}。
引用
@article{arxiv.1912.11976,
title = {HoMM: Higher-order Moment Matching for Unsupervised Domain Adaptation},
author = {Chao Chen and Zhihang Fu and Zhihong Chen and Sheng Jin and Zhaowei Cheng and Xinyu Jin and Xian-Sheng Hua},
journal= {arXiv preprint arXiv:1912.11976},
year = {2019}
}
备注
Accept by AAAI-2020, codes are available at https://github.com/chenchao666/HoMM-Master