隐式贝叶斯自适应：一种协同传输方法
图像与视频处理
2023-04-18 v1 机器学习
摘要
最优传输（Optimal Transport, OT）的强大能力与灵活性已渗透到广泛的问题中，包括近期的无监督域自适应等机器学习挑战。其通过某种最优度量定量关联两个概率分布的本质，已被创造性地利用，并显示出对许多现实数据挑战的潜力。在本文的相关主题中，我们假定域自适应的鲁棒性根植于各数据的内在（潜在）表示，这些表示固有地位于嵌入在高维欧氏空间中的非线性子流形上。我们通过细化 欧氏度量以更好地反映两个不同表示之间的测地距离，从而考虑几何性质。我们在 OT 驱动的自适应中集成了度量修正项以及源数据中的先验簇结构。我们表明这等同于一个隐式贝叶斯框架，并证明其为一种更鲁棒且性能更优的域自适应方法是可行的。文中也包含了实证实验以用于验证。
引用
@article{arxiv.2304.08298,
title = {Implicit Bayes Adaptation: A Collaborative Transport Approach},
author = {Bo Jiang and Hamid Krim and Tianfu Wu and Derya Cansever},
journal= {arXiv preprint arXiv:2304.08298},
year = {2023}
}