通过相互信息估计和最小化培训多源域适应网络
Lisheng Wen1, Sentao Chen1, Mengying Xie2
1Department of Computer Science, Shantou University, China.
概括
本研究引入了一种新的多源域适应 (MSDA) 方法,通过最小化特征空间之间的相互信息. 这种方法有效地调整数据分布,以改善目标数据集的分类.
科学领域:
- 机器学习 机器学习
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 多源域调整 (MSDA) 在多个标记数据集上训练模型,用于未标记的目标数据.
- 一个关键的挑战是适应跨数据集的不同联合分布.
- 现有的方法在有效的分布对齐方面扎.
研究的目的:
- 为多源域适应 (MSDA) 提出一种新的方法.
- 为了在潜伏特征空间中对准源和目标联合分布.
- 提高神经网络在未标记的目标数据上的性能.
主要方法:
- 估计和最小化网络潜伏特征空间内的相互信息.
- 制定相互信息估计作为一个凸的优化问题,以保证全球最佳.
- 开发一种用于域调整的新型算法.
主要成果:
- 拟议的算法在公共数据集上在统计上优于现有的方法.
- 证明了源和目标联合分布的有效对齐.
- 在未标记的目标数据上实现了优越的分类性能.
结论:
- 尽量减少相互信息是MSDA的一个有效策略.
- 拟议的凸式优化方法提供了一个全球最佳解决方案.
- 该方法为神经网络的跨领域学习提供了显著的进步.
