面向无监督域适应的条件独立性最大化
机器学习
2022-03-08 v1 计算机视觉与模式识别
摘要
无监督域适应研究如何将学习器从有标签的源域迁移到分布不同的无标签目标域。现有方法主要聚焦于匹配源域与目标域的边际分布，这可能导致来自同一类别但不同域的样本错位。本文从新视角通过实现类条件迁移来处理该错位。我们的目标是在再生核希尔伯特空间中最大化给定类别下特征与域的条件独立性。该条件独立性度量的优化可视为最小化特征与域之间某种互信息的代理。我们推导出一种可解释的条件依赖经验估计，并将其与无条件情形相联系。此外，我们通过考虑类条件分布给出了目标误差的上界，为大多数类条件迁移方法提供了新理论视角。除无监督域适应外，我们以自然且优雅的方式将方法扩展至多源场景。在四个基准上的大量实验验证了所提模型在无监督域适应与多源域适应中的有效性。
引用
@article{arxiv.2203.03212,
title = {Maximizing Conditional Independence for Unsupervised Domain Adaptation},
author = {Yi-Ming Zhai and You-Wei Luo},
journal= {arXiv preprint arXiv:2203.03212},
year = {2022}
}