用于条件域匹配与标签偏移的最优传输
机器学习
2021-10-20 v4 机器学习
摘要
我们解决了广义目标偏移（联合类条件偏移与标签偏移）设定下的无监督域适应问题。对于该框架，我们从理论上表明，为实现良好的泛化，有必要学习一个潜表示，其中边际分布与类条件分布均跨域对齐。为此，我们提出了一个学习问题，该问题最小化源域中的重要性加权损失以及加权边际之间的 Wasserstein 距离。为进行适当加权，我们提供了一种通过混合估计与最优传输的最优匹配相融合来估计目标标签比例的方法。该估计在温和假设下带有理论正确性保证。我们的实验结果表明，我们的方法在包括数字、VisDA 和 Office 在内的一系列域适应问题上平均表现优于对比方法。本文代码可在 https://github.com/arakotom/mars_domain_adaptation 获取。
引用
@article{arxiv.2006.08161,
title = {Optimal Transport for Conditional Domain Matching and Label Shift},
author = {Alain Rakotomamonjy and Rémi Flamary and Gilles Gasso and Mokhtar Z. Alaya and Maxime Berar and Nicolas Courty},
journal= {arXiv preprint arXiv:2006.08161},
year = {2021}
}