【ICML2021】 RSD: 一种基于几何距离的可迁移回归表征学习方法

深度学习的成功依赖大规模的标记数据，然而人工标注数据的代价巨大。域自适应（Domain Adaptation）意图利用已有源领域标记数据的有效信息学习得到一个可以泛化到目标领域无标记数据上的模型。因此域自适应方法是解决上述问题的方案之一。回归问题作为一个具有广泛应用的机器学习范式，和分类问题具备同等的重要性。然而，当前的研究缺乏一个针对回归问题的深度无监督域自适应方法：（1）已有很多基于实例加权和域不变表征学习的浅层域自适应回归方法，但他们没有办法利用深度网络的表征学习能力，因此不具备处理现实世界多种复杂结构数据的能力。同时，他们往往依赖目标领域中的少量有标数据才能取得理想的性能，即只能做成半监督域自适应方法；（2）已有很多基于深度表征学习的域自适应分类方法，在分类基准数据集上取得了突破性进展，但他们在回归数据集上的表现往往不够理想。因此，本文意在利用深度网络的表征能力，考虑回归问题的本质特点，提出一种适用于回归问题的无监督可迁移域自适应方法。