Scatter Component Analysis: Ein einheitlicher Rahmen für Domänenanpassung und Domänenverallgemeinerung

Dieses Papier behandelt Klassifizierungsaufgaben in einem bestimmten Zielbereich, für den nur beschriftete Trainingsdaten aus Quellbereichen verfügbar sind, die sich vom (aber verwandt mit) dem Zielbereich unterscheiden. Zwei eng verwandte Frameworks, Domänenanpassung und Domänenverallgemeinerung, befassen sich mit solchen Aufgaben, wobei der einzige Unterschied zwischen diesen Frameworks die Verfügbarkeit von nicht beschrifteten Zielbereichsdaten ist: Domänenanpassung kann nicht beschriftete Zielinformationen nutzen, während Domänenverallgemeinerung dies nicht kann. Wir schlagen Scatter Component Analysis (SCA) vor, einen schnellen Repräsentationslernalgorithmus, der sowohl für Domänenanpassung als auch für Domänenverallgemeinerung angewendet werden kann. SCA basiert auf einer einfachen geometrischen Maßnahme, nämlich der Streuung (scatter), die in einem reproduzierenden Kern-Hilbertraum operiert. SCA findet eine Repräsentation, die das Maximieren der Trennbarkeit der Klassen, das Minimieren des Fehlers zwischen den Bereichen und das Maximieren der Trennbarkeit der Daten miteinander abwägt; jedes dieser Ziele wird durch Streuung quantifiziert. Das Optimierungsproblem von SCA kann auf ein verallgemeinertes Eigenwertproblem reduziert werden, was zu einer schnellen und exakten Lösung führt. Umfassende Experimente an Standard-Datensätzen für cross-domain Objekterkennung bestätigen, dass SCA viel schneller als mehrere state-of-the-art Algorithmen performt und gleichzeitig state-of-the-art Klassifikationsgenauigkeit in beiden Domänenanpassung und Domänenverallgemeinerung bietet. Wir zeigen außerdem, dass Streuung verwendet werden kann, um eine theoretische Verallgemeinerungsuntergrenze im Fall der Domänenanpassung herzuleiten.