ドメイン適応のための予測再重み付け

同じ分布からデータを取得した場合に良好な性能を示す多くの分類手法があります。しかし、実際のアプリケーションでは、この条件が満たされないことがあり、それによって分類精度が低下します。ドメイン適応は、この問題に対処するための効果的なアプローチです。本稿では、予測再重み付けの観点から一般的なドメイン適応フレームワークを提案し、そこから新しいアプローチを導き出します。主要なドメイン適応手法とは異なり、我々のアイデアは、テストデータに対するトレーニング分類器の予測を、ドメインセパレーターへの符号付き距離に応じて再重み付けすることです。ドメインセパレーターは、トレーニングデータ（ソースドメインから）とテストデータ（ターゲットドメインから）を区別する分類器です。次に、マニフォールド正則化法を導入することによって、より大きな重みを持つターゲットインスタンスのラベルを、より小さな重みを持つインスタンスに伝播させます。我々の再重み付けスキームが、適切な意味でソースドメインとターゲットドメインを効果的に近づけることが証明されるため、ターゲットドメインでの分類が容易になります。提案する手法は、単純な二段階アルゴリズムにより効率的に実装でき、ターゲット分類器には閉じた形の解があります。我々のアプローチの有効性は、人工データセットおよび視覚的オブジェクト認識タスクとテキストのクロスドメイン感情分析という2つの標準ベンチマークでの実験によって検証されました。実験結果は、我々の手法が最先端のドメイン適応アルゴリズムと競争できることを示しています。