用于域适应的瓦瑟斯坦距离引导表示学习
机器学习
2018-03-12 v4 机器学习
摘要
域适应旨在利用从具有不同但相关数据分布的源域中提取的知识，在目标域上泛化高性能学习器。域适应的一种解决方案是学习域不变特征表示，同时所学表示在预测中也应具有判别性。为学习此类表示，域适应框架通常包括域不变表示学习方法以度量并减小域差异，以及用于分类的判别器。受Wasserstein GAN启发，本文提出一种学习域不变特征表示的新方法，即瓦瑟斯坦距离引导表示学习（Wasserstein Distance Guided Representation Learning, WDGRL）。WDGRL利用一个称为域评判器（domain critic）的神经网络来估计源域和目标域样本间的经验瓦瑟斯坦距离，并以对抗方式优化特征提取器网络以最小化估计的瓦瑟斯坦距离。瓦瑟斯坦距离用于域适应的理论优势在于其梯度性质和良好的泛化界。在常见情感与图像分类适应数据集上的实证研究表明，我们提出的WDGRL优于最先进的域不变表示学习方法。
引用
@article{arxiv.1707.01217,
title = {Wasserstein Distance Guided Representation Learning for Domain Adaptation},
author = {Jian Shen and Yanru Qu and Weinan Zhang and Yong Yu},
journal= {arXiv preprint arXiv:1707.01217},
year = {2018}
}
备注
The Thirty-Second AAAI Conference on Artificial Intelligence (AAAI 2018)