Motivation
本文出发点还是荣multi-source domain adaptation出发,如何利用多个source domain的知识,来更好的预测target domain. 还是从target的分布可以用source distribution的加权来接近。
作者对domain之间的relationship建模提出了mixture-of-expert(MoE)的方法,
- 将不同的source domain和target domain投影到不同的子空间,而不是将所有的domain投影到同一个子空间。
- target的后验概率,通过不同source域的分类器加权组合,这里权重反应了target样本到每一个source domain的距离
- 定义了point-to-set 的metric,并作为loss训练,采用了meta-training的方式
Method
如图所示模型主要包括四个部分 1)encoder 用来提取特征 2)classifier, domain-specific 分类器,每一个source的都有一个3)metric用来将多个domain-specific的target的结果融合 4)adversary用来align不同域之间的距离
Metric
是由第i个source分类器产生的后验概率(给定提取的特征x,判断属于类别y的概率),作者首先定义了point-to-set的马氏距离,即样本x到集合S
其中是S的特征的平均值,是S的特征的协方差矩阵的逆矩阵
其中反应了对第i个分类器的可靠程度
而是基于point-to-set马氏距离设计的score函数,而是其归一化后的结果。作者针对不同的任务设计了不同的socre函数
- binary classification
考虑到在二分类任务中, 的feature(encoding)的平均值往往接近于decision boundary,样本到boundary越近,往往置信度越低,因此直接用d(x,s)不合适。
上述的函数对outlier的点e(x,S)的值低,
- Sequence tagging
Training
借鉴了few-shot里面的学习方法,从K个source domain里面任意选一个作为meta-target,其余作为meta-source,这样得到K组(meta-source,meta-target)的训练pair,
loss一共有两个部分:MoE objective和multi-task
对每个pair里面的meta-target中的每个样本计算moe loss,meta-target的分类是通过meta-source加权得到,moe就是约束这样的关系,让meta-source中同样的标签的分类变大
Muti-task是分类的交叉熵损失
- Adversary-augmented MoE
使用MMD来最小化target domain和source domain的边缘分布
整体的训练算法如图