ترجمه فارسی مقاله COD: یادگیری بازنمایی متغیر مشروط برای رگرسیون سازگاری دامنه

چکیده

Aiming to generalize the label knowledge from a source domain with continuous outputs to an unlabeled target domain, Domain Adaptation Regression (DAR) is developed for complex practical learning problems. However, due to the continuity problem in regression, existing conditional distribution alignment theory and methods with discrete prior, which are proven to be effective in classification settings, are no longer applicable. In this work, focusing on the feasibility problems in DAR, we establish the sufficiency theory for the regression model, which shows the generalization error can be sufficiently dominated by the cross-domain conditional discrepancy. Further, to characterize conditional discrepancy with continuous conditioning variable, a novel Conditional Operator Discrepancy (COD) is proposed, which admits the metric property on conditional distributions via the kernel embedding theory. Finally, to minimize the discrepancy, a COD-based conditional invariant representation learning model is proposed, and the reformulation is derived to show that reasonable modifications on moment statistics can further improve the discriminability of the adaptation model. Extensive experiments on standard DAR datasets verify the validity of theoretical results and the superiority over SOTA DAR methods.

چکیده به فارسی (ترجمه ماشینی)

با هدف تعمیم دانش برچسب از یک حوزه منبع با خروجی های مداوم به یک حوزه هدف بدون برچسب ، رگرسیون سازگاری دامنه (DAR) برای مشکلات یادگیری عملی پیچیده توسعه یافته است.با این حال ، با توجه به مشکل پیوستگی در رگرسیون ، تئوری و روشهای تراز توزیع توزیع مشروط موجود ، که به نظر می رسد در تنظیمات طبقه بندی مؤثر است ، دیگر کاربردی نیست.در این کار ، با تمرکز بر مشکلات امکان سنجی در DAR ، ما تئوری کفایت را برای مدل رگرسیون ایجاد می کنیم ، که نشان می دهد خطای تعمیم می تواند به اندازه کافی توسط اختلاف مشروط متقابل دامنه حاکم باشد.علاوه بر این ، برای توصیف اختلاف مشروط با متغیر تهویه مداوم ، یک اختلاف عملگر مشروط جدید (COD) ارائه شده است ، که خاصیت متریک را در توزیع های مشروط از طریق تئوری تعبیه هسته اذعان می کند.سرانجام ، برای به حداقل رساندن اختلاف ، یک مدل یادگیری نمایانگر مشروط مبتنی بر COD ارائه شده است ، و اصلاح مجدد به دست می آید تا نشان دهد که تغییرات معقول در آمار لحظه ای می تواند باعث افزایش تبعیض مدل سازگاری شود.آزمایش های گسترده در مجموعه داده های استاندارد DAR ، اعتبار نتایج نظری و برتری نسبت به روشهای SOTA DAR را تأیید می کند.