Implicit Bayes Adaptation: A Collaborative Transport Approach

要約

【タイトル】暗黙のベイズ適応：協調輸送アプローチ

【要約】
– Optimal Transport（OT）の柔軟性と強力さは、未監視のドメイン適応などの最近の機械学習の課題を含め、幅広い問題に浸透している。
– 2つの確率分布を最適なメトリックによって定量的に関連付けるその本質は、創造的に利用され、多くの現実のデータ課題に対して有望な結果を示している。
– 本研究で関連するテーマでは、ドメイン適応の堅牢性は、各データの固有（潜在的）表現に根ざしており、非線形部分多様体に埋め込まれた高次元のユークリッド空間に本質的に存在する。
– ジオデシック距離をよりよく反映するように、Euclid距離$l^2$を洗練することによって、幾何学的特性を考慮する。
– クラスター構造に基づくメトリック修正項と事前に設定された源データに両立させる。それは本質的に暗黙的なBayesianフレームワークに当たることを示し、ドメイン適応に対するより堅牢でパフォーマンスの良いアプローチであることを実証している。
– 検証目的の実験も含まれている。

要約(オリジナル)

The power and flexibility of Optimal Transport (OT) have pervaded a wide spectrum of problems, including recent Machine Learning challenges such as unsupervised domain adaptation. Its essence of quantitatively relating two probability distributions by some optimal metric, has been creatively exploited and shown to hold promise for many real-world data challenges. In a related theme in the present work, we posit that domain adaptation robustness is rooted in the intrinsic (latent) representations of the respective data, which are inherently lying in a non-linear submanifold embedded in a higher dimensional Euclidean space. We account for the geometric properties by refining the $l^2$ Euclidean metric to better reflect the geodesic distance between two distinct representations. We integrate a metric correction term as well as a prior cluster structure in the source data of the OT-driven adaptation. We show that this is tantamount to an implicit Bayesian framework, which we demonstrate to be viable for a more robust and better-performing approach to domain adaptation. Substantiating experiments are also included for validation purposes.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI