关于域适应中的局部化差异度量
机器学习
2020-08-17 v1 机器学习
摘要
我们提出了针对无监督域适应的基于差异度量的泛化理论。以往的理论引入了定义为完整假设空间上上确界的分布差异度量。该假设空间可能包含导致风险上界不必要高估的假设。本文研究了在局部化之后的假设空间上定义的局部化差异度量。首先，我们证明了这些差异度量具有理想的性质。它们可能显著小于先前的差异度量。若交换两个域，它们的值将不同，从而能够揭示非对称的迁移难度。接下来，我们利用这些差异度量推导了改进的泛化界。我们表明这些差异度量会影响样本复杂度的速率。最后，我们进一步扩展局部化差异度量以实现超迁移，并推导了在源域上可能更具样本效率的泛化界。
引用
@article{arxiv.2008.06242,
title = {On Localized Discrepancy for Domain Adaptation},
author = {Yuchen Zhang and Mingsheng Long and Jianmin Wang and Michael I. Jordan},
journal= {arXiv preprint arXiv:2008.06242},
year = {2020}
}