通过分别对齐先验与后验实现跨异构域度量学习
机器学习
2012-08-10 v1
摘要
本文试图在两个异构域之间学习单一度量，其中源域完全标注且样本众多，而目标域仅有少量标注样本但拥有大量未标注样本。据我们所知，该任务鲜有涉足。所提出的学习模型具有一个简单的潜在动机：将源域和目标域中的所有样本映射到一个公共空间，在此空间中，强制它们的先验 P(sample) 和后验 P(label|sample) 尽可能分别对齐。我们表明，从源域和目标域到公共空间的两个映射可以重新参数化为单个正半定 (PSD) 矩阵。随后，我们开发了一种高效的 Bregman 投影算法来优化该 PSD 矩阵，并使用 LogDet 函数对其进行正则化。此外，我们还展示了该模型易于核化，并在跨语言检索任务和跨域物体识别任务中验证了其有效性。
引用
@article{arxiv.1208.1829,
title = {Metric Learning across Heterogeneous Domains by Respectively Aligning Both Priors and Posteriors},
author = {Qiang Qian and Songcan Chen},
journal= {arXiv preprint arXiv:1208.1829},
year = {2012}
}
备注
19 pages, 5 figures