用于无监督域适应的 Knothe-Rosenblatt 传输
机器学习
2021-10-07 v1
摘要
无监督域适应 (UDA) 旨在利用相关但不同的数据源来解决目标域中的共同任务。UDA 仍是机器学习中一个核心且具挑战性的问题。本文提出一种针对中等维度表格数据问题的方法，这类问题在工业应用中极为重要，却较少被众多为图像和语言数据设计的方法所妥善服务。Knothe-Rosenblatt 域适应 (KRDA) 基于 Knothe-Rosenblatt 传输：我们利用自回归密度估计算法，通过高斯混合的自回归模型精确建模不同数据源。KRDA 随后利用自回归模型的三角结构来构建将源样本显式映射到目标域的变换。我们证明 KRDA 构建的传输映射保留了观测各分量的分位数，从而将不同数据集的表示对齐到同一目标域中。最后，我们证明 KRDA 在合成和真实世界 UDA 问题上均具有最先进的性能。
引用
@article{arxiv.2110.02716,
title = {Knothe-Rosenblatt transport for Unsupervised Domain Adaptation},
author = {Aladin Virmaux and Illyyne Saffar and Jianfeng Zhang and Balázs Kégl},
journal= {arXiv preprint arXiv:2110.02716},
year = {2021}
}
备注
16 pages, 3 figures