从多个来源进行跨域学习：共识正则化观点

跨领域的分类研究如何使学习模型从一个领域适应具有相似数据特征的另一个领域。 尽管有许多现有的著作沿着这条路线发展，但其中许多只专注于从单个源域到目标域的学习。 特别是，剩下的挑战是如何将从多个源域中学习到的知识应用于目标域。 实际上，来自多个源域的数据可以在语义上相关，但是具有不同的数据分布。 尚不清楚如何利用多个源域之间的分布差异来提高目标域中的学习性能。 为此，在本文中，我们提出了一个共识正则化框架，用于从多个源域到目标域的学习。 在此框架中，通过考虑一个源域中可用的本地数据以及与从其他源域中学习到的分类器的预测共识来训练本地分类器。 此外，我们提供了对所提出的共识正则化框架的理论分析和实证研究。 在文本分类和图像分类问题上的实验结果证明了这种共识正则化学习方法的有效性。 最后，为了应对多个源域在地理上分散的情况，我们还开发了所提出算法的分布式版本，从而避免了将所有数据上传到集中位置的需求，并有助于减轻对隐私的担忧。