对抗域适应中的目标偏移问题研究
机器学习
2019-03-18 v1 机器学习
摘要
训练域与测试域之间的差异是机器学习技术泛化中的基本问题。近年来，已有若干方法通过对抗式深度学习来学习域不变特征表示。然而，标签偏移（即各域间每个类别的数据占比不同）受到的关注较少。标签偏移在许多情境中自然出现，尤其是在行为自由选择的行为研究中。本工作中，我们提出一种称为目标偏移域对抗网络（DATS, Domain Adversarial nets for Target Shift）的方法，在学习域不变表示的同时解决标签偏移问题。这是通过分布匹配来估计盲测试集中的标签比例实现的。我们将该框架扩展至处理多域情形，提出了一种对与目标域最相似的源域进行加权的方案。实证结果表明，该框架在合成与真实实验的大标签偏移下表现良好，展示了其实用重要性。
引用
@article{arxiv.1903.06336,
title = {On Target Shift in Adversarial Domain Adaptation},
author = {Yitong Li and Michael Murias and Samantha Major and Geraldine Dawson and David E. Carlson},
journal= {arXiv preprint arXiv:1903.06336},
year = {2019}
}