用于无监督自适应的联合跨域分类与子空间学习
计算机视觉与模式识别
2015-04-30 v3 机器学习
摘要
域自适应旨在将在源域上获得的知识适应到一个新的不同但相关的目标域。针对无标签目标数据可用的无监督场景下的分类任务，已提出了几种方法。大多数注意力都集中在寻找新的域不变表示上，而将预测函数的定义留到第二阶段。在这里，我们提出同时学习两者。具体而言，我们学习最能匹配目标子空间的源子空间，同时最小化正则化的误分类损失。我们提供了一种基于随机次梯度下降的交替优化技术来解决该学习问题，并在多个域自适应任务上证明了其性能。
引用
@article{arxiv.1411.4491,
title = {Joint cross-domain classification and subspace learning for unsupervised adaptation},
author = {Basura Fernando and Tatiana Tommasi and Tinne Tuytelaars},
journal= {arXiv preprint arXiv:1411.4491},
year = {2015}
}
备注
Paper is under consideration at Pattern Recognition Letters