广义目标偏移下用于域适应的条件分布映射
机器学习
2022-03-21 v2 人工智能
摘要
我们考虑在条件偏移与标签偏移（亦称广义目标偏移，GeTarS）下源域与目标域之间的无监督域适应（UDA）问题。与更简单的 UDA 设定不同，极少有工作解决这一具挑战性的问题。近期方法学习域不变表征，但它们存在实际局限且依赖在实践中可能不成立的强假设。本文探索一种新颖且通用的对齐预训练表征的方法，以规避现有缺陷。该方法不约束表征不变性，而是学习一个最优传输映射（以神经网络实现），将源域表征映射到目标域表征上。我们的方法灵活且可扩展，保留问题结构，并在温和假设下具有强理论保证。具体而言，我们的解唯一，匹配跨域条件分布，恢复目标比例并显式控制目标泛化风险。通过在多个数据集上的详尽对比，我们挑战了 GeTarS 领域的 SOTA。
引用
@article{arxiv.2110.15057,
title = {Mapping conditional distributions for domain adaptation under generalized target shift},
author = {Matthieu Kirchmeyer and Alain Rakotomamonjy and Emmanuel de Bezenac and Patrick Gallinari},
journal= {arXiv preprint arXiv:2110.15057},
year = {2022}
}