摘要
本文讨论了无监督的域自适应问题,其中人们希望通过利用已知标签的源域中的可用知识,在没有任何标记样本的情况下估计给定目标域中的预测函数f。我们的工作做出了以下假设:在两个域和
的联合特征/标签空间分布之间存在非线性变换。我们提出了一种具有最优传输的该问题的解决方案,该解决方案允许通过同时优化最优耦合和f来恢复估计的目标
。
贡献和概要。
1、我们提出了一个新的框架,用于联合分布之间的无监督领域自适应。我们建议找到一个函数f,该函数在给定输入x∈X的情况下预测输出值,最小化联合源分布和取决于f的估计的目标联合分布
之间最优传输损失。
2.我们的方法非常通用,不需要明确地学习转换,因为它直接求解最佳函数。我们证明了它可以处理一大类函数f(包括核机器和神经网络)的回归和分类问题。
Joint distribution Optimal Transport
允许Ω ∈ Rd是维数为d的紧凑输入可测量空间,C是标签集。对表示所有概率测度的集合Ω. 假设Xs和Xt来自同一分布µ∈
. 在所考虑的自适应问题中,假设存在两个不同的联合概率分布
和
,它们分别对应于两个不同源域和目标域。我们将在X上分别写出
和
的边际分布。
Optimal transport in domain adaptation
Monge问题正在寻找一个映射:Ω → Ω 将
推向
,定义为:
式中,T#µs是T对µs的图像测量ÿ