面向回归任务的目标无关无源域自适应
机器学习
2023-12-04 v1 人工智能
机器学习
摘要
无监督域自适应（UDA）旨在利用无标签目标数据弥合目标域与源域之间的域差距。无源UDA去除了在目标处需要带标签源数据的要求，以保全数据隐私与存储。然而，现有无源UDA工作均假设已知域差距分布，因而局限于目标已知或分类任务。为克服此局限，我们提出TASFAR，一种新颖的面向回归任务的目标无关无源域自适应方法。利用预测置信度，TASFAR估计标签密度图作为目标标签分布，并据此在目标域上对源模型进行校准。我们在四个具有不同域差距的回归任务上进行了充分实验，即不同用户的行人航位推算、不同场景下面基于图像的人数统计、不同城区的房价预测，以及不同出发点的出租车行程时长预测。结果表明，TASFAR相较最先进的无源UDA方法平均降低四个任务22%的误差，且在不使用源数据的情况下达到了与基于源的UDA相当的准确性。
引用
@article{arxiv.2312.00540,
title = {Target-agnostic Source-free Domain Adaptation for Regression Tasks},
author = {Tianlang He and Zhiqiu Xia and Jierun Chen and Haoliang Li and S. -H. Gary Chan},
journal= {arXiv preprint arXiv:2312.00540},
year = {2023}
}
备注
Accepted by ICDE 2024