面向域适应的部分可辨识性

无监督域适应在许多目标域中标签信息不可用的真实应用场景中至关重要。一般而言，在没有进一步假设的情况下，目标域中特征与标签的联合分布是不可辨识的。为解决此问题，我们依赖于跨域因果机制最小变化的属性，以最小化分布偏移的不必要影响。为编码该属性，我们首先使用具有两个划分潜在子空间的潜变量模型来表述数据生成过程：分布跨域保持不变的不变分量，以及跨域变化的稀疏变化分量。我们进一步约束域偏移对变化分量仅具有限制性影响。在温和条件下，我们证明潜变量是部分可辨识的，由此可得目标域中数据与标签的联合分布也是可辨识的。基于理论见解，我们提出了一种称为 iMSDA 的实用域适应框架。大量实验结果表明，iMSDA 在基准数据集上优于最先进的域适应算法，证明了我们框架的有效性。