面向线性分类器的域适应 PAC-贝叶斯定理
机器学习
2016-08-10 v3 机器学习
摘要
在本文中，我们在域适应的 PAC-Bayesian 理论中提供了两个主要贡献，其目标是从源分布中学习一个在不同目标分布上表现良好的多数投票。一方面，我们提出了对 Germain 等人 (2013) 先前方法的改进，该方法依赖于基于不一致平均的新分布伪距离，使我们能够为随机 Gibbs 分类器推导出一个新的更紧的 PAC-Bayesian 域适应界。我们将其特化到线性分类器，并设计了一种学习算法，在合成问题和流行的情感标注任务上显示出有趣的结果。另一方面，我们将这些结果推广到多源域适应，使我们能够考虑不同的源域。这项研究为利用所有 PAC-Bayesian 工具处理域适应任务打开了大门。
引用
@article{arxiv.1503.06944,
title = {PAC-Bayesian Theorems for Domain Adaptation with Specialization to Linear Classifiers},
author = {Pascal Germain and Amaury Habrard and François Laviolette and Emilie Morvant},
journal= {arXiv preprint arXiv:1503.06944},
year = {2016}
}
备注
This report is a long version of our paper entitled A PAC-Bayesian Approach for Domain Adaptation with Specialization to Linear Classifiers published in the proceedings of the International Conference on Machine Learning (ICML) 2013. We improved our main results, extended our experiments, and proposed an extension to multisource domain adaptation