学习因果表征以实现鲁棒域适应
机器学习
2021-10-13 v1 机器学习
摘要
域适应通过利用相关源域中的知识来解决目标域中的学习问题。尽管已取得显著进展，几乎所有现有的域适应方法都严重依赖大量无标签目标域数据来学习域不变表征，以在目标域上获得良好的泛化能力。事实上，在许多现实应用中，目标域数据未必总可获得。本文研究在训练阶段目标域数据不可用、仅有标注良好的源域数据可用的情况，称为鲁棒域适应。为解决该问题，在特征与类别变量间的因果关系跨域鲁棒这一假设下，我们提出一种新颖的因果自编码器（Causal AutoEncoder, CAE），它将深度自编码器与因果结构学习集成到统一模型中，仅使用单一源域数据来学习因果表征。具体而言，采用深度自编码器模型学习低维表征，并设计因果结构学习模型将低维表征分为两组：因果表征与任务无关表征。在三个真实数据集上的大量实验验证了 CAE 相较于十一种最先进（SOTA）方法的有效性。
引用
@article{arxiv.2011.06317,
title = {Learning causal representations for robust domain adaptation},
author = {Shuai Yang and Kui Yu and Fuyuan Cao and Lin Liu and Hao Wang and Jiuyong Li},
journal= {arXiv preprint arXiv:2011.06317},
year = {2021}
}