基于非线性嵌入的无监督领域自适应模型选择
人工智能
2017-06-26 v1
摘要
领域自适应旨在调整在源分布数据上训练的分类器，使其在目标分布数据上也能有效工作。本文引入了用于无监督领域自适应的非线性嵌入变换（NET）。NET 通过非线性领域对齐来缩小跨领域差异。它还对领域对齐后的数据进行嵌入，使得相似数据点聚类在一起，从而提升分类性能。为了确定 NET 模型（以及其他无监督领域自适应模型）中的参数，我们引入了一种验证程序，通过对在分布上与目标数据相似的源数据点进行采样来实现。我们使用流行的图像数据集测试了 NET 和该验证程序，并与竞争性无监督领域自适应方法的分类结果进行了比较。
引用
@article{arxiv.1706.07527,
title = {Model Selection with Nonlinear Embedding for Unsupervised Domain Adaptation},
author = {Hemanth Venkateswara and Shayok Chakraborty and Troy McDaniel and Sethuraman Panchanathan},
journal= {arXiv preprint arXiv:1706.07527},
year = {2017}
}
备注
AAAI Workshops 2017