基于流形差异对齐的子域自适应
机器学习
2020-05-08 v1 计算机视觉与模式识别
机器学习
摘要
减小域差异是迁移学习问题中的关键步骤。现有工作聚焦于全局域差异的最小化。然而,两域可能由若干共享子域构成,且在各子域上彼此不同。本文中,我们在迁移中考虑子域的局部差异。具体地,我们提出以低维流形表示子域,并对跨域各流形中的局部数据分布差异进行对齐。我们发展了流形最大均值差异(M3D)以度量各流形中的局部分布差异。随后我们提出一种称为流形差异对齐迁移(TMDA)的通用框架,以将数据流形发现与 M3D 最小化相耦合。我们在考虑线性与非线性映射的子空间学习情形下实例化 TMDA,亦在深度学习框架中实例化 TMDA。大量实验研究证明 TMDA 是针对各类迁移学习任务的一种有前景的方法。
引用
@article{arxiv.2005.03229,
title = {Subdomain Adaptation with Manifolds Discrepancy Alignment},
author = {Pengfei Wei and Yiping Ke and Xinghua Qu and Tze-Yun Leong},
journal= {arXiv preprint arXiv:2005.03229},
year = {2020}
}