散度成分分析：域自适应与域泛化的统一框架
计算机视觉与模式识别
2016-07-28 v2 人工智能
机器学习
机器学习
摘要
本文针对一个特定目标域上的分类任务，其中标记的训练数据仅来自与目标域不同（但相关）的源域。两个密切相关的框架——域自适应和域泛化——都关注此类任务，它们之间唯一的区别在于未标记的目标数据是否可用：域自适应可以利用未标记的目标信息，而域泛化则不能。我们提出了散度成分分析（SCA），一种可以同时应用于域自适应和域泛化的快速表示学习算法。SCA 基于一个简单的几何度量，即散度，它在再生核希尔伯特空间上操作。SCA 找到一种表示，在最大化类可分离性、最小化域间不匹配和最大化数据可分离性之间进行权衡；每一项都通过散度来量化。SCA 的优化问题可以归约为一个广义特征值问题，从而得到快速且精确的解。在基准跨域目标识别数据集上的全面实验验证了 SCA 比几种最先进的算法快得多，并且在域自适应和域泛化中均提供了最先进的分类准确率。我们还展示了散度可以用于在域自适应的情况下建立理论泛化界。
引用
@article{arxiv.1510.04373,
title = {Scatter Component Analysis: A Unified Framework for Domain Adaptation and Domain Generalization},
author = {Muhammad Ghifary and David Balduzzi and W. Bastiaan Kleijn and Mengjie Zhang},
journal= {arXiv preprint arXiv:1510.04373},
year = {2016}
}
备注
to appear in IEEE Transactions on Pattern Analysis and Machine Intelligence