多源域适应的子空间辨识
机器学习
2023-12-15 v2 机器学习
摘要
多源域适应（MSDA）方法旨在将知识从多个有标签源域迁移至无标签目标域。尽管现有方法通过强制跨域最小变化来实现目标联合分布可辨识性，它们常需严苛条件，如充足域数量、潜变量单调变换及不变标签分布。这些要求在真实应用中难以满足。为缓解对严格假设的需求，我们提出一种子空间辨识理论，在关于域数量与变换性质较宽松约束下保证域不变与域特定变量的解耦，从而通过最小化域偏移对不变变量的影响来促进域适应。基于该理论，我们开发了利用变分推断的子空间辨识保证（SIG）模型。此外，SIG模型引入类感知条件对齐以应对标签分布随域变化的靶偏移。实验结果表明，我们的SIG模型在多个基准数据集上优于现有MSDA技术，凸显了其在真实应用中的有效性。
引用
@article{arxiv.2310.04723,
title = {Subspace Identification for Multi-Source Domain Adaptation},
author = {Zijian Li and Ruichu Cai and Guangyi Chen and Boyang Sun and Zhifeng Hao and Kun Zhang},
journal= {arXiv preprint arXiv:2310.04723},
year = {2023}
}
备注
NeurIPS2023 Spotlight