基于虚拟标签分布的公平域适应学习
机器学习
2026-01-27 v1
摘要
无监督域适应（UDA）旨在缓解训练数据与测试数据采样自不同分布时导致的性能退化。尽管在提升整体准确率方面已取得显著进展，但现有大多数方法忽略了不同类别间的性能差异——我们将此问题称为类别公平性。我们的实证分析表明，UDA 分类器倾向于偏向某些简单类别而忽略困难类别。为解决此问题，我们提出了虚拟标签分布感知学习（VILL），这是一个简单而有效的框架，旨在提升最差情况下的性能，同时保持较高的整体准确率。VILL 的核心是一种自适应重加权策略，用于增强难以分类类别的影响力。此外，我们引入了一种基于 KL 散度的重平衡策略，显式调整决策边界以增强类别公平性。在常用数据集上的实验表明，VILL 可作为即插即用模块无缝集成到现有 UDA 方法中，显著提升类别公平性。
引用
@article{arxiv.2601.18171,
title = {Learning Fair Domain Adaptation with Virtual Label Distribution},
author = {Yuguang Zhang and Lijun Sheng and Jian Liang and Ran He},
journal= {arXiv preprint arXiv:2601.18171},
year = {2026}
}
备注
ICASSP 2026