在迁移学习中, 当源域和目标的数据分布不同 ,但两个任务相同时,这种 特殊 的迁移学习 叫做域适应 (Domain Adaptation,DA )。因为其任务相同,所以根据上篇博客中的内容可知,域适应属于一种直推式迁移学习。它在2006年由Daumeaume等人首次提出[1]。
1.域适应的一些基本公式
源域由充足的带标签数据组成,目标域由不充足的带标签数据或者充足的无标签数据组成。且目标域与源域中数据的分布不相同。X,Y分别表示带标签数据的数据以及标签, P(X,Y) 是X,Y的联合概率分布(joint distribution)(联合概率分布的几何意义为:如果将二维随机变量(X,Y)看成是平面上随机点的坐标,那么分布函数F(x,y)在(x,y)处的函数值就是随机点(X,Y)落在以点(x,y)为顶点而位于该点左下方的无穷矩形域内的概率。)。 P(X,Y)s , P(X,Y)t 分别对应源域以及目标域的联合分布函数。 Ps(X) , Ps(Y) , Pt(X) , Pt(Y) 表示源域和目标域中X以及Y的边缘分布(marginal distributions)(某一组概率的加和,叫边缘概率。边缘概率的分布情况,就叫边缘分布)。 Ps(X|Y) , Ps(Y|X) , Pt(X|Y) ,
域适应学习笔记:visual Domain Adaptation
最新推荐文章于 2023-08-08 11:21:13 发布