开放集异构领域适应：理论分析与算法
机器学习
2024-12-18 v1
摘要
领域适应（DA）通过从源域学习一个可泛化到目标域的模型来解决分布偏移问题。然而，大多数现有的 DA 方法是为源域和目标域数据位于同一特征空间内的场景设计的，这限制了它们在实际场景中的适用性。最近，异构 DA（HeDA）方法被引入以应对源域和目标域之间异构特征空间带来的挑战。尽管取得了成功，但当特征空间和标签空间均存在不匹配时，当前的 HeDA 技术显得不足。为了解决这个问题，本文探索了一种称为开放集 HeDA（OSHeDA）的新 DA 场景。在 OSHeDA 中，模型不仅必须处理特征空间中的异构性，还要识别属于新类的样本。为了应对这一挑战，我们首先开发了一个新的理论框架，构建了目标域预测误差的学习界限。在该框架的指导下，我们提出了一种名为 OSHeDA 表示学习（RL-OSHeDA）的新 DA 方法。该方法旨在同时迁移异构数据源之间的知识并识别新类。跨文本、图像和临床数据的实验证明了我们算法的有效性。模型实现可在 \url{https://github.com/pth1993/OSHeDA} 获取。
引用
@article{arxiv.2412.13036,
title = {Open-Set Heterogeneous Domain Adaptation: Theoretical Analysis and Algorithm},
author = {Thai-Hoang Pham and Yuanlong Wang and Changchang Yin and Xueru Zhang and Ping Zhang},
journal= {arXiv preprint arXiv:2412.13036},
year = {2024}
}
备注
Accepted by AAAI 2025