面向目标偏移下多源域适应的最优传输
机器学习
2019-03-15 v3
摘要
本文中，我们提出解决称为多源域适应的多个域之间差异减小的问题，并在目标偏移假设下考虑该问题：在所有域中我们旨在解决具有相同输出类的分类问题，但标签比例在各域间不同。该问题在绝大多数域适应论文中被普遍忽略，然而在现实应用中至关重要，我们从理论上展示了其对适应成功的影响。为解决此问题，我们设计了一种基于最优传输的方法，该理论已成功用于应对机器学习中的适应问题。我们的方法通过学习未标记目标样本的类别概率以及允许对齐两个（或更多）概率分布的耦合，同时执行多源适应与目标偏移校正。在合成与真实世界卫星图像分割任务数据上的实验显示了所提方法相对于 SOTA 的优越性。
引用
@article{arxiv.1803.04899,
title = {Optimal Transport for Multi-source Domain Adaptation under Target Shift},
author = {Ievgen Redko and Nicolas Courty and Rémi Flamary and Devis Tuia},
journal= {arXiv preprint arXiv:1803.04899},
year = {2019}
}