【ICML2021】域自适应回归的子空间距离表示

回归作为分类的对应，是一个具有广泛应用的主要范式。域自适应回归将回归器从有标记的源域推广到无标记的目标域。现有的区域适应回归方法仅在浅层区取得了积极的结果。一个问题出现了:为什么在深层机制中学习不变表征不那么明显?本文的一个重要发现是，分类对特征尺度具有鲁棒性，而回归则不具有鲁棒性，对齐深度表示的分布会改变特征尺度，阻碍领域自适应回归。基于这一发现，我们提出了通过表示空间的正交基来关闭域间隙，这是自由的特征缩放。受格拉斯曼流形的黎曼几何启发，我们定义了表示子空间上的几何距离，并通过最小化它来学习深度可迁移表示。为了避免破坏深度表示的几何性质，我们进一步引入了基不匹配惩罚来匹配正交基的排序跨表示子空间。我们的方法在三个领域自适应回归基准上进行了评价，本文构建了其中两个基准。我们的方法明显优于最先进的方法。

http://ise.thss.tsinghua.edu.cn/~mlong/doc/Representation-Subspace-Distance-for-Domain-Adaptation-Regression-icml21.pdf