基于 Copula 模型的无监督领域自适应
机器学习
2017-10-03 v1 计算机视觉与模式识别
机器学习
摘要
我们研究无监督领域自适应任务，其中训练期间不提供来自目标领域的任何标注数据。为了处理源分布和目标分布在特征和标签上可能存在的差异，我们利用了一个基于 copula 的回归框架。该方法的好处有两方面：(a) 它允许我们对超越常见指数族的更广泛的条件预测密度进行建模，(b) 我们展示了如何利用 Sklar 定理——copula 公式化中将联合密度与 copula 依赖函数联系起来的精髓——来找到有效的特征映射，以缓解领域不匹配。通过将数据转换到 copula 域，我们在多个基准数据集（包括人类情感估计）上，并使用不同的回归模型进行预测，证明了与最近提出的特征变换（自适应）方法相比，我们可以实现对目标标签更稳健、更准确的估计。
引用
@article{arxiv.1710.00018,
title = {Unsupervised Domain Adaptation with Copula Models},
author = {Cuong D. Tran and Ognjen Rudovic and Vladimir Pavlovic},
journal= {arXiv preprint arXiv:1710.00018},
year = {2017}
}
备注
IEEE International Workshop On Machine Learning for Signal Processing 2017