通过弹性网正则化实现稀疏域间迁移
机器学习
2024-05-14 v1 计算机视觉与模式识别
摘要
在机器学习问题中，跨域样本的传输是核心任务。在计算机视觉和语言领域的域迁移任务中，对传输图稀疏性的要求是合理的，即传输算法旨在尽可能少地修改输入特征，才能将样本从源域迁移到目标域。本文提出了弹性网最优传输（ENOT）以解决稀疏分布传输问题。ENOT框架利用L1范数和L2范数正则化机制，在源域和目标域之间寻找稀疏且稳定的传输图。为计算ENOT传输图，我们考虑ENOT优化任务的对偶形式，并证明了ENOT对偶表示中最优势函数梯度的稀疏化形式即为ENOT传输图。此外，我们展示了将ENOT框架应用于特征选择以实现稀疏域迁移的应用。我们呈现将ENOT应用于合成高斯混合物和真实图像和文本数据的若干域迁移问题的数值结果。我们的实验结果表明，ENOT框架在识别稀疏域传输图方面取得成功。
引用
@article{arxiv.2405.07489,
title = {Sparse Domain Transfer via Elastic Net Regularization},
author = {Jingwei Zhang and Farzan Farnia},
journal= {arXiv preprint arXiv:2405.07489},
year = {2024}
}