基于部分最优传输的部分域适应理论性能保证
机器学习
2025-06-04 v1 机器学习
摘要
在许多实际场景中，来自目标分布的标注数据稀缺，而来自相关源分布的标注数据丰富。当目标标签空间是源标签空间的子集时，便产生了一种特定的关注场景，进而引出了部分域适应 (PDA) 框架。PDA 的典型方法涉及最小化域对齐项和源数据上的加权经验损失，旨在跨域迁移知识。然而，该过程缺乏理论基础，特别是大多数现有的加权方案是启发式的。在本工作中，我们基于部分最优传输推导了 PDA 问题的泛化误差界。这些界限证实了将部分 Wasserstein 距离作为域对齐项的合理性，并给出了经验源损失权重的理论驱动显式表达式。受这些界限启发，我们设计了一种实用的 PDA 算法，称为 WARMPOT。通过大量的数值实验，我们表明 WARMPOT 与近期的方法相比具有竞争力，并且我们提出的权重优于现有方案。
引用
@article{arxiv.2506.02712,
title = {Theoretical Performance Guarantees for Partial Domain Adaptation via Partial Optimal Transport},
author = {Jayadev Naram and Fredrik Hellström and Ziming Wang and Rebecka Jörnsten and Giuseppe Durisi},
journal= {arXiv preprint arXiv:2506.02712},
year = {2025}
}
备注
ICML 2025