Adaptación de Dominio con Divergencia de Cauchy-Schwarz

La adaptación de dominio tiene como objetivo utilizar datos de entrenamiento de uno o múltiples dominios fuente para aprender una hipótesis que pueda ser generalizada a un dominio objetivo diferente, pero relacionado. Por lo tanto, tener una medida confiable para evaluar la discrepancia de ambas distribuciones marginales y condicionales es crucial. Introducimos la divergencia de Cauchy-Schwarz (CS) al problema de la adaptación de dominio no supervisada (UDA). La divergencia CS ofrece un límite de error de generalización teóricamente más ajustado que la popular divergencia de Kullback-Leibler. Esto se sostiene para el caso general del aprendizaje supervisado, incluyendo clasificación multiclase y regresión. Además, ilustramos que la divergencia CS permite un estimador simple sobre la discrepancia de ambas distribuciones marginales y condicionales entre los dominios fuente y objetivo en el espacio de representación, sin requerir ninguna suposición distributiva. Proporcionamos múltiples ejemplos para ilustrar cómo la divergencia CS puede ser utilizada convenientemente en marcos de UDA basados en métricas de distancia o entrenamiento adversarial, resultando en un desempeño convincente.