基于最优传输的域自适应理论分析
机器学习
2017-08-01 v4 机器学习
摘要
域自适应（Domain Adaptation, DA）是机器学习的一个重要新兴领域，旨在解决训练数据（源域）与测试数据（目标域）分布相似但不同时所引发的问题。当前的理论结果表明，DA 算法的效率取决于其最小化源域与目标域概率分布之间散度的能力。本文对从最优传输理论借用的概念能为 DA 带来的优势进行了理论研究。特别是，我们证明了 Wasserstein 度量可用作分布间的散度度量，从而为三种不同的学习设定提供泛化保证：(i) 目标数据无监督的经典 DA；(ii) 结合源域和目标域标注数据的 DA；(iii) 多源 DA。基于所得结果，我们提供了一些见解，阐明该分析在何时能比现有其他框架更紧密。
引用
@article{arxiv.1610.04420,
title = {Theoretical Analysis of Domain Adaptation with Optimal Transport},
author = {Ievgen Redko and Amaury Habrard and Marc Sebban},
journal= {arXiv preprint arXiv:1610.04420},
year = {2017}
}