无监督域适应的判别聚类信息论学习
机器学习
2012-07-03 v1 机器学习
摘要
我们研究无监督域适应问题，旨在将标记源域上训练的分类器适应到未标记目标域。许多现有方法首先学习域不变特征，然后使用这些特征构建分类器。我们提出了一种联合学习两者的新方法。具体来说，该方法在识别一个源域和目标域数据分布相似的特征空间的同时，还以判别方式学习该特征空间，优化一个信息论度量作为目标域上预期误分类误差的代理。我们展示了如何通过简单的基于梯度的方法有效执行此优化，以及如何在不要求目标域任何标记数据的情况下交叉验证超参数。在目标识别和情感分析基准任务上的实证研究验证了我们的建模假设，并表明我们的方法在分类准确率上显著优于竞争方法。
引用
@article{arxiv.1206.6438,
title = {Information-Theoretical Learning of Discriminative Clusters for Unsupervised Domain Adaptation},
author = {Yuan Shi and Fei Sha},
journal= {arXiv preprint arXiv:1206.6438},
year = {2012}
}
备注
Appears in Proceedings of the 29th International Conference on Machine Learning (ICML 2012)