用于无监督域自适应的Stein差异
机器学习
2025-12-09 v4 机器学习
摘要
无监督域自适应旨在利用一个相关的有标签源域来提升模型在无标签目标域上的性能。一种常见的方法是通过最小化源域和目标域特征分布之间的距离来对齐它们，通常使用对称度量，如最大均值差异。然而，当目标数据稀缺时，这些方法效果不佳。我们提出了一种新颖的无监督域自适应框架，该框架利用Stein差异，这是一种非对称度量，仅通过其得分函数依赖于目标分布，使其特别适用于低数据目标场景。我们提出的方法具有核化和对抗形式，并支持通过高斯模型、高斯混合模型或变分自编码器模型对目标分布进行灵活建模。我们推导了目标误差的泛化界，以及在双样本设置下经验Stein差异的收敛速率。实验表明，在多个基准测试中，我们的方法在有限目标数据条件下始终优于先前的无监督域自适应方法。
引用
@article{arxiv.2502.03587,
title = {Stein Discrepancy for Unsupervised Domain Adaptation},
author = {Anneke von Seeger and Dongmian Zou and Gilad Lerman},
journal= {arXiv preprint arXiv:2502.03587},
year = {2025}
}
备注
24 pages, 13 figures