基于高斯混合模型与数据字典学习的在线多源域适应
机器学习
2024-07-30 v1 机器学习
摘要
本文解决了在迁移学习中在线多源域适应（MSDA）的挑战，这是一种需要将多个异构源域适应向来自流式数据的目标域的场景。我们提出了一种新颖方法，用于在高斯混合模型（GMM）上进行在线拟合，基于高斯测度的Wasserstein几何。我们基于该方法以及最近在数据字典学习方面的进展，提出了一种新颖的在线MSDA策略。在具有挑战性的Tennessee Eastman Process基准测试上进行实验，证明了我们的方法能够对目标域数据的流式数据进行“即时适应”。此外，我们的在线GMM作为一种记忆，代表了整个数据流。
引用
@article{arxiv.2407.19853,
title = {Online Multi-Source Domain Adaptation through Gaussian Mixtures and Dataset Dictionary Learning},
author = {Eduardo Fernandes Montesuma and Stevan Le Stanc and Fred Ngolè Mboula},
journal= {arXiv preprint arXiv:2407.19853},
year = {2024}
}
备注
6 pages, 3 figures, accepted at the IEEE International Workshop on Machine Learning for Signal Processing 2024