面向域外泛化的源数据选择
机器学习
2022-02-07 v1 应用统计
摘要
执行域外泛化的模型从异构源数据中借用知识，并将其应用于相关但不同的目标任务。迁移学习已在许多应用中被证明可有效实现这种泛化。然而，源数据集选择不当会导致在目标上表现不佳，这种现象称为负迁移。为了充分利用可用的源数据，本文研究了针对目标任务的源数据选择。我们提出了两种分别基于多臂赌博机（multi-bandit）理论和随机搜索的源选择方法。我们在模拟数据和真实数据上进行了全面的实证评估。我们的方案也可视为一种诊断方法，用于判断是否存在比随机选取可用样本表现更好的重加权源子样本。
引用
@article{arxiv.2202.02155,
title = {Source data selection for out-of-domain generalization},
author = {Xinran Miao and Kris Sankaran},
journal= {arXiv preprint arXiv:2202.02155},
year = {2022}
}
备注
18 pages, 16 figures