机构名称：
¥ 1.0
机器学习系统必须适应随时间演变的数据分布，其应用范围包括传感器网络、自动驾驶汽车感知模块和脑机接口。传统的领域自适应只能保证在分布变化较小的情况下起作用；经验方法结合了几种启发式方法以应对更大的变化，但可以针对特定于数据集。为了适应更大的变化，我们考虑逐步领域自适应，其目标是在仅给出未标记数据的源域上训练的初始分类器，该分类器的分布逐渐向目标域移动。在直接适应目标域可能导致无界误差的设置下，我们证明了逐步转移的自训练的误差的第一个非空上限。理论分析带来了算法见解，强调即使我们拥有无限数据，正则化和标签锐化也是必不可少的。利用渐进式转变结构可以提高旋转的 MNIST 数据集、森林覆盖类型数据集和真实肖像数据集的准确度。
理解自我训练以实现逐步领域适应
主要关键词
相关文件推荐
