经典机器学习算法假设训练数据和测试数据具有相同的输入特征空间和相同的数据分布。在诸多现实问题中,这一假设往往不能满足,导致经典机器学习算法失效。领域自适应是一种新的学习范式,其关键技术在于通过学习新的特征表达来对齐源域和目标域的数据分布,使得在有标签源域训练的模型可以直接迁移到没有标签的目标域上,同时不会引起性能的明显损失。本文介绍领域自适应的定义,分类和代表性算法,重点讨论基于度量学习的领域自适应算法和基于对抗学习的领域自适应算法。最后,分析领域自适应的典型应用和存在挑战,明确领域自适应的发展趋势,并提出未来可能的研究方向。
https://kns.cnki.net/kcms/detail/detail.aspx?dbcode=CAPJ&dbname=CAPJLAST&filename=JSJC20210429001&v=g9BjGJf5ZLV%25mmd2FknkFRqwbuiNYcv3b3wgdMPAKTB0vn3jfk9VluWprby0eIXzCZilW
在海量数据的支撑下,机器学习,尤其是深度 学习算法在诸如计算机视觉、自然语言处理等领域 取得了巨大的成功。机器学习的理想场景是有大量 带标记的训练实例,并且训练数据与测试数据具有 相同的分布。然而在许多现实应用中,收集足够的 带标记的训练数据通常是耗时、代价昂贵甚至是无 法实现的。并且在机器学习被使用的诸多领域中, 数据独立同分布的假设往往并不能够成立。因为数 据分布的差异,传统的机器学习算法训练得到的模 型往往不能在相似的新领域中取得预期的结果,这 限制了机器学习模型的泛化能力和知识复用能力。
迁移学习和领域自适应技术可以被用来改善机 器学习模型在跨领域任务上的性能。当目标领域中 无法获得大量带标签数据用于训练具有良好性能的 机器学习模型时,可以考虑在不同但相关的有大量 带标签数据可以被获取的辅助领域进行模型的预训 练,然后将训练好的模型进行调整后应用于目标领 域,这克服了实际应用中目标域带标签数据稀有、 难以获取的困境。然而,跨域的数据分布差异成为 了模型迁移的障碍。领域自适应(Domain Adaptation) 旨在学习一个模型使得在辅助领域获取的知识能够 在目标领域得到很好地泛化,引入领域自适应技术 可以减小辅助领域与目标域的数据分布差异,从而 实现领域不变知识的跨域迁移和复用。领域自适应 是机器学习与计算机视觉范畴内前沿的研究方向之 一,并在计算机视觉、生物信息学等方面有极大的 应用前景。迁移学习和领域自适应技术有望处理目 标领域标注数据稀缺的问题,避免从头进行模型训 练的高额成本,提高机器学习模型的普适性和知识 迁移复用的能力,因而具备较大的理论研究价值和 宽广的应用前景。
本文对领域自适应在国内外的研究现状进行了 总结,并介绍了领域自适应的相关概念、算法分类、 该领域的代表性方法、典型应用以及存在的挑战, 明确了该领域的发展趋势以及探讨了未来可能的研 究方向。
专知便捷查看
便捷下载,请关注专知公众号(点击上方蓝色专知关注)
后台回复“DAS” 就可以获取《领域自适应研究综述》专知下载链接