通过Wasserstein空间中的数据集字典学习实现多源域自适应
机器学习
2023-11-09 v3 人工智能
机器学习
摘要
本文旨在解决多源域自适应(MSDA),其目标是当将知识从多个有标签源域迁移到无标签目标域时,缓解数据分布偏移。我们提出一种基于字典学习与最优传输的新颖 MSDA 框架。我们将 MSDA 中的每个域解释为经验分布。据此,我们将每个域表示为字典原子的 Wasserstein 重心,这些原子为经验分布。我们提出一种新颖算法 DaDiL,用于通过小批量进行学习:(i)原子分布;(ii)重心坐标矩阵。基于我们的字典,我们提出两种新颖的 MSDA 方法:DaDiL-R,基于目标域中有标签样本的重构;以及 DaDiL-E,基于在原子分布上训练的分类器的集成。我们在 3 个基准上评估我们的方法:Caltech-Office、Office 31 和 CRWU,在分类性能上分别将先前最优(state-of-the-art)提升了 3.15%、2.29% 和 7.71%。最后,我们展示所学原子 Wasserstein 包络中的插值可提供能泛化到目标域的数据。
引用
@article{arxiv.2307.14953,
title = {Multi-Source Domain Adaptation through Dataset Dictionary Learning in Wasserstein Space},
author = {Eduardo Fernandes Montesuma and Fred Ngolè Mboula and Antoine Souloumiac},
journal= {arXiv preprint arXiv:2307.14953},
year = {2023}
}
备注
13 pages,8 figures,Published as a conference paper at the 26th European Conference on Artificial Intelligence; v2: corrected typos