多步在线无监督域适应
机器学习
2020-04-21 v1 机器学习
摘要
本文中，我们解决在线无监督域适应(OUDA)问题，其中目标数据无标签且顺序到达。传统 OUDA 问题方法主要关注将每个到达的目标数据变换到源域，且未充分考虑到达目标数据间的时间连贯性与累积统计。我们提出一种针对 OUDA 问题的多步框架，其基于欧氏空间上的几何解释建立了一种计算均值目标子空间的新方法。该均值目标子空间包含已到达目标数据间的累积时间信息。此外，由均值目标子空间计算的变换矩阵作为预处理步骤应用于下一目标数据，使目标数据更靠近源域。在四个数据集上的实验证明了我们所提多步 OUDA 框架中每一步的贡献及其相对于先前方法的性能。
引用
@article{arxiv.2002.08930,
title = {Multi-step Online Unsupervised Domain Adaptation},
author = {J. H. Moon and Debasmit Das and C. S. George Lee},
journal= {arXiv preprint arXiv:2002.08930},
year = {2020}
}
备注
To appear in ICASSP 2020. Copyright 2020 IEEE