前言
- 本文属于我最优传输系列里的八篇,该专栏用于记录本人研究生阶段相关最优传输论文的原理阐述以及复现工作。
- 本专栏的文章主要内容为解释原理,论文具体的翻译及复现代码在文章的github中。
原理阐述
摘要
- 在本文中,我们解决了减少多个域之间差异的问题,即多源域自适应,并在目标转移假设下考虑:在所有域中,我们旨在解决具有相同输出类但具有不同标签比例的分类问题。从名字就可以看出target shift嘛,也就是Prior Shift,也就是Label Shift。
Label Shift就是条件概率部分相同、输入的边缘概率分布相同,然后输出的边缘概率分布不同(也就是先验概率不同)。 - 这个问题在绝大多数领域适应论文中被普遍忽略,但在现实应用中却至关重要,我们从理论上说明了它对适应成功的影响。
- 本篇文章引出的方法,JCPOT,通过学习未标记目标样本的类别概率和允许对齐两个(或更多)概率分布的耦合,同时执行多源自适应和目标偏移校正。
介绍
- 文章发表于2019年的AISTATS。
- 本篇论文的主题是target shift.
- 作者提到,目前大多数人都只考虑Covariate shift问题,而不去研究联