无监督深度域适应研究综述
机器学习
2020-02-10 v3 机器学习
摘要
深度学习已在多种任务上取得最先进结果。尽管此类监督学习方法表现良好，但其假设训练与测试数据来自同一分布，而这未必总成立。作为应对该挑战的补充，单源无监督域适应可处理如下情形：网络在来自源域的带标签数据及来自相关但不同的目标域的无标签数据上训练，目标是在目标域测试时表现良好。因此已开发出许多单源且通常为同构的无监督深度域适应方法，将深度学习强大的层次化表示与域适应相结合，以减少对可能代价高昂的目标数据标签的依赖。本综述将通过考察替代方法、独特与共同要素、结果及理论见解来比较这些方法。随后我们审视其应用领域与开放研究方向。
引用
@article{arxiv.1812.02849,
title = {A Survey of Unsupervised Deep Domain Adaptation},
author = {Garrett Wilson and Diane J. Cook},
journal= {arXiv preprint arXiv:1812.02849},
year = {2020}
}