コーシー・シュワルツ発散を用いたドメイン適応

ドメイン適応は、1つまたは複数のソースドメインからのトレーニングデータを使用して、異なるが関連するターゲットドメインに一般化可能な仮説を学ぶことを目的としています。そのため、周辺分布と条件付き分布の両方の不一致を評価するための信頼できる測定値を持つことが重要です。私たちは、教師なしドメイン適応 (UDA) の問題にコーシー・シュワルツ（CS）発散を導入します。CS発散は、一般的に人気のあるクルバック・ライブラー発散よりも理論的に厳密な一般化誤差の境界を提供します。これは、マルチクラス分類や回帰を含む教師あり学習の一般的な場合に当てはまります。さらに、CS発散が、何らかの分布に関する仮定を必要とせずに、表現空間におけるソースドメインとターゲットドメイン間の周辺分布と条件付き分布の不一致を単純に推定できることを示します。私たちは、CS発散が距離計測または敵対的トレーニングベースのUDAフレームワークの両方で便利に使用でき、優れたパフォーマンスをもたらす方法を示す複数の例を提供します。