Informations-theoretisches Lernen diskriminativer Cluster für unüberwachtes Domänenanpassung

Wir untersuchen das Problem der unüberwachten Domänenanpassung, das darauf abzielt, Klassifizierer, die auf einer beschrifteten Quell-Domäne trainiert wurden, auf eine unbeschriftete Ziel-Domäne anzupassen. Viele bestehende Ansätze lernen zunächst domäneninvariante Merkmale und konstruieren dann Klassifizierer mit ihnen. Wir schlagen einen neuartigen Ansatz vor, der beide gemeinsam lernt. Insbesondere während die Methode einen Merkmalsraum identifiziert, in dem die Daten in den Quell- und Ziel-Domänen ähnlich verteilt sind, lernt sie auch den Merkmalsraum diskriminativ und optimiert ein informations-theoretisches Maß als Proxy für den erwarteten Fehlklassifikationsfehler auf der Ziel-Domäne. Wir zeigen, wie diese Optimierung effektiv mit einfachen gradientenbasierten Methoden durchgeführt werden kann und wie Hyperparameter ohne Anforderung beschrifteter Daten von der Ziel-Domäne validiert werden können. Empirische Studien zu Benchmark-Aufgaben der Objekterkennung und Sentiment-Analyse haben unsere Modellannahmen validiert und eine signifikante Verbesserung unserer Methode im Vergleich zu konkurrierenden Methoden bei der Klassifizierungsgenauigkeit gezeigt.