.png){kind=icon}
返回
Generalization Error Bounds for Multiple-Source Domain Adaptation
.png){kind=icon}
PRE
AI
DOI：10.1007/s10994-026-07120-z.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
多源领域自适应（MDA），旨在将多个源域的知识迁移到一个几乎没有标签的目标域，已成功广泛应用于机器学习和图像处理等多个领域。尽管近年来提出了许多MDA算法，但相关理论研究成果较少。本文致力于研究MDA的理论与算法，提出了一种基于统计学习理论中覆盖数的多源领域自适应理论分析框架。在该框架下，我们全面分析了多种情况下（如无监督MDA和半监督MDA）的泛化误差界。由于涉及大量参数，我们还基于推导的泛化误差界提供了一种高效的参数选择方法。实验结果验证了所提方法的有效性。此外，根据理论结果，我们提出了一种对抗性多特征空间自适应网络（AMFSAN）用于MDA。数值模拟表明，所提算法优于其他现有算法。
Keyword:
Multiple-source domain adaptation
Covering number
Error analysis
Disparity discrepancy
期刊
IF:
2.9
论文数:
2.7K
被引数:
3.4W
机构
引用论文
Universal multi-Source domain adaptation for image classification用于图像分类的通用多源域自适应.png)
PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏Riemannian representation learning for multi-source domain adaptation多源域自适应的Riemannian表示学习PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
分享收藏分享收藏Multi-source adversarial domain adaptation with modulated adaptive weights多源对抗性域适应与调制自适应权重Neurocomputing
NeurocomputingIF6.5
PREAI
分享收藏
查看更多内容