用于无监督域适应的低秩子空间覆盖方法
机器学习
2020-07-09 v3 机器学习
摘要
当前监督学习模型无法在域边界上良好泛化,这是许多应用(如机器人或视觉分类)中的已知问题。域适应方法被用于改善这些泛化特性。然而,这些技术要么受限于特定任务(如视觉适应),要么需要大量计算时间与数据(这并非总能得到保证),要么参数化复杂,要么优化过程昂贵。本工作中,我们提出一种仅需精心选取的数据快照即可找到单一域不变子空间的方法。该子空间以闭式计算并覆盖域结构,使其在参数化上快速且稳定。通过采用低秩技术,我们聚焦于数据的描述性特征。所提思想在文本与图像分类等多种域适应任务上对比 SOTA 域适应方法进行了评估,并在所有任务上取得了卓越性能。
引用
@article{arxiv.1907.01343,
title = {Low-Rank Subspace Override for Unsupervised Domain Adaptation},
author = {Christoph Raab and Frank-Michael Schleif},
journal= {arXiv preprint arXiv:1907.01343},
year = {2020}
}