面向回归的多源源域自适应
机器学习
2023-12-12 v1 机器学习
摘要
多源源域自适应 (DA) 旨在利用来自多个源域的信息在目标域中进行预测,其中不同域可能具有不同的数据分布。现有的多源 DA 方法大多关注分类问题,而在回归场景下的研究十分有限。本文通过一个两步过程填补了这一空白。首先,我们通过结果粗化扩展了一种用于分类的灵活单源 DA 算法,使其能够应用于回归问题。然后,我们用集成学习增强了我们提出的用于回归的单源 DA 算法,以实现多源 DA。我们在集成算法中考虑了三种学习范式,它们将使用每个源域训练的目标自适应学习器进行线性组合:(i) 用于获取集成权重的多源 Stacking 算法;(ii) 基于相似度的加权,其中权重反映了每个目标自适应学习器的 DA 质量;(iii) Stacking 权重与相似度权重的组合。我们通过模拟以及一项旨在利用肠道微生物组预测高密度脂蛋白 (HDL) 胆固醇水平的数据应用,展示了我们算法的性能。在所有这些场景中,我们观察到我们的多源 DA 算法在预测性能上始终优于常规使用的方法。
引用
@article{arxiv.2312.05460,
title = {Multi-source domain adaptation for regression},
author = {Yujie Wu and Giovanni Parmigiani and Boyu Ren},
journal= {arXiv preprint arXiv:2312.05460},
year = {2023}
}