华中科技大学综述迁移学习领域自适应:具有类间差异的联合概率最大平均差异
领域适应(DA),或迁移学习,通过将知识从标记的源域转移到新的未标记或部分标记的目标域,广泛应用于图像分类、情绪识别、脑机接口等。传统的 DA 方法遵循这个假设,即主要使用一些度量方法来分别度量边际概率或条件概率分布。然而,联合概率分布可以更好地测量两个域的分布差异。为了方便利用 DA 方法,在特征转换时需要考虑两个方面:1)可迁移性,它最小化了同一类在不同域之间的差异;2)区分性,它最大限度地扩大了不同域的不同类之间的差异,从而使不同的类更容易区分。传统的 DA 方法只考虑可迁移性,而忽略了类内可区分性。在论文《Discriminative Joint Probability Maximum Mean Discrepancy (DJP-MMD) for Domain Adaptation》中,作者直接考虑了源域和目标域具有不同的联合概率分布的情况, 提出了具有类间差异的联合概率最大平均差异。通过直接考虑联合概率分布的差异,作者提出了一种用于分布适应的具有类间差异的联合概率 MMD
( discriminative joint probability MMD, DJP-MMD)。它同时最小化了同一类不同域之间的联合概率分布差异以获得可迁移性,最大化了不同域之间的联合概率分布差异以获得可识别性,还可以很容易地将 DJP-MMD 用于考虑不同域之间的非线性转移。