当前最好的非深度迁移学习方法：流形空间下的分布对齐

作者丨王晋东

学校丨中国科学院计算技术研究所博士生

研究方向丨迁移学习、机器学习

本文即将发表在国际顶级会议 ACM Multimedia conference 2018 上，被评为 ORAL，而且是 Top 10 Paper。论文提出了一个叫 MEDA (Manifold Embedded Distribution Alignment) 的方法进行迁移学习，取得了对比当前众多最新的深度和非深度方法的最好结果。

我们系统性地解决了如何定量估计边缘分布和条件分布在迁移学习中的重要性的问题，这也是当前所有文章没有考虑过的。我们的方法是首次完成这个估计。

■ 论文 | Visual Domain Adaptation with Manifold Embedded Distribution Alignment

■ 链接 | https://www.paperweekly.site/papers/2123

■ 源码 | http://transferlearning.xyz/

主要思路

我们提出通过自适应的分布适配的方式，来减小流形空间中的特征之间的距离，最终构建一个分类器 f。现有的工作通常都只是在原始的数据空间中学习此分类器 f，然而由于原始空间下的特征往往存在扭曲，因而会使得学习结果出现欠适配。根据流形假设，嵌入在流形空间中的点和它们的邻居通常都有着相似的性质。因此，我们提出流形特征变换，以此来减小域之间的数据漂移；然后进行自适应的分布适配，最后学习分类器 f。

流形特征变换之后，我们在结构风险最小化的框架下，通过自适应的分布适配来学习分类器 f。考虑到 Ds 和 Dt 之间不同的数据分布，即和，我们需要适配此二者的分布，以此来确保在 Ds 上学习