基于重要抽样的部分域适应移位校正
机器学习
2025-07-29 v1 人工智能
摘要
部分域适应（PDA）是现实世界机器学习场景中的一个具有挑战性的任务。它旨在将标记源域的知识传递到相关的无标记目标域，其中源标签分布的支持集包含目标分布。先前的 PDA 工作通过对源域中的样本进行加权来校正标签分布的偏移。然而，简单的重加权技术无法探索潜在结构且充分利用标记数据，导致模型容易对源域过拟合。在本工作中，我们提出了一种基于重要抽样的移位校正（ISC）方法，其中从构建的抽样域中抽取新的标记数据，其标签分布应与目标域相同，以刻画潜在结构并增强模型的泛化能力。我们通过证明泛化误差可被 ISC 充分支配，为 ISC 提供了理论保证。具体而言，通过实现混合分布的抽样，源域与抽样域之间的偏移程度可与泛化误差相联系，这提供了一种可解释的方式来构建 ISC。为改进知识传递，提出了一种基于最优传输的独立准则，用于条件分布对齐，其中该准则的计算可调整以降低现实 PDA 场景中的复杂度，从 降低到 。在 PDA 挑战基准上的大量实验验证了理论结果，并证明了 ISC 在现有方法之上的有效性。
引用
@article{arxiv.2507.20191,
title = {Partial Domain Adaptation via Importance Sampling-based Shift Correction},
author = {Cheng-Jun Guo and Chuan-Xian Ren and You-Wei Luo and Xiao-Lin Xu and Hong Yan},
journal= {arXiv preprint arXiv:2507.20191},
year = {2025}
}