用于鲁棒领域适应的目标对比悲观风险
机器学习
2021-06-18 v1 机器学习
摘要
在领域适应中，带有源域信息的分类器通过适应来泛化到目标域。然而，由于无效的假设、对估计误差敏感性的增加或模型误设，自适应分类器的性能可能不如非自适应分类器。我们的目标是开发一种鲁棒的领域自适应分类器，其鲁棒性体现在它不依赖于关于源域和目标域如何相关的限制性假设，且其性能不劣于非自适应分类器。我们构建了一个保守的参数估计量，仅当对给定目标样本的所有可能标注都保证具有更低风险时，它才偏离源分类器。我们推导了经典的最小二乘和判别分析情况，并表明在样本选择偏差设置下，它们的性能与 SOTA 领域自适应分类器相当，而在更一般的领域适应设置下则优于后者。
引用
@article{arxiv.1706.08082,
title = {Target contrastive pessimistic risk for robust domain adaptation},
author = {Wouter M. Kouw and Marco Loog},
journal= {arXiv preprint arXiv:1706.08082},
year = {2021}
}
备注
35 pages, 3 figures, 6 tables, 2 algorithms, 1 theorem