基于 Wasserstein 距离的领域自适应中的标签偏移研究
机器学习
2022-03-03 v2 统计方法学
机器学习
摘要
我们研究了通用领域自适应（DA）设定下源域与目标域之间的标签偏移问题。我们考虑将目标域迁移至源域的变换，借此对齐源域与目标域样本。通过这些变换，我们利用最优传输定义两域间的标签偏移，并发展理论以考察各种 DA 设定（如闭集、部分集、开集与通用设定）下 DA 的性质。受所发展理论的启发，我们提出基于最优传输的标签与数据偏移消减方法（LDROT），可同时缓解数据与标签偏移。最后，我们进行了综合实验以验证理论发现，并将 LDROT 与最先进的基线方法进行比较。
引用
@article{arxiv.2110.15520,
title = {On Label Shift in Domain Adaptation via Wasserstein Distance},
author = {Trung Le and Dat Do and Tuan Nguyen and Huy Nguyen and Hung Bui and Nhat Ho and Dinh Phung},
journal= {arXiv preprint arXiv:2110.15520},
year = {2022}
}
备注
35 pages, 7 figures, 6 tables