关于 $f$-散度原则的领域自适应：一种改进的框架

Ziqiao Wang; Yongyi Mao

关于 $f$-散度原则的领域自适应：一种改进的框架

机器学习 2024-10-29 v2 计算机视觉与模式识别机器学习

作者: Ziqiao Wang , Yongyi Mao

摘要

无监督领域自适应（UDA）在解决机器学习中的分布偏移问题中发挥着关键作用。在本工作中，我们通过细化 Acuna 等人 (2021) 提出的基于 $f$ -散度的差异度量，并额外引入一种新度量—— $f$ -领域差异（ $f$ -DD），改进了该 UDA 的理论基础。通过移除绝对值函数并引入一个缩放参数， $f$ -DD 获得了新颖的目标误差和样本复杂度界限，使我们能够恢复先前基于 KL 散度的结果，并弥合 Acuna 等人 (2021) 提出的算法与理论之间的差距。利用局部化技术，我们还开发了一个快速率泛化界限。实证结果证明了基于 $f$ -DD 的学习算法在流行的 UDA 基准测试中优于先前工作的卓越性能。

关键词

无监督领域自适应 $f$-散度领域差异泛化界限样本复杂度

引用

@article{arxiv.2402.01887,
  title  = {On $f$-Divergence Principled Domain Adaptation: An Improved Framework},
  author = {Ziqiao Wang and Yongyi Mao},
  journal= {arXiv preprint arXiv:2402.01887},
  year   = {2024}
}

备注

Accepted at NeurIPS 2024

关于 $f$-散度原则的领域自适应：一种改进的框架

摘要

关键词

引用

备注

相关论文