主动式无源域适应
机器学习
2022-05-24 v1
摘要
无源域适应（SFDA）旨在不访问源数据的情况下，将训练好的源模型迁移至无标签目标域。然而，由于源数据与目标监督信息的缺失，SFDA 设定面临效果瓶颈，最新 SFDA 方法有限的性能提升即证明了这一点。本文首次引入一种更实际的场景，称为主动式无源域适应（ASFDA），其允许主动选取少量目标数据由专家标注。为此，我们首先发现那些满足邻域混乱、个体相异且类目标的点是最佳选取点，并将其定义为最小快乐（MH）点。随后我们提出最小快乐点学习（MHPL）来主动探索并利用 MH 点。我们设计了三种独特策略：邻域环境不确定性、邻域多样性松弛与一次性查询，以探索 MH 点。进一步，为在学习过程中充分利用 MH 点，我们设计了一种邻域焦点损失，将加权邻域纯度赋予 MH 点的交叉熵损失，使模型更聚焦于它们。大量实验验证了 MHPL 以微小的标注代价显著超越各类基线并取得可观性能提升。
引用
@article{arxiv.2205.10711,
title = {Active Source Free Domain Adaptation},
author = {Fan Wang and Zhongyi Han and Zhiyan Zhang and Yilong Yin},
journal= {arXiv preprint arXiv:2205.10711},
year = {2022}
}
备注
9 pages (not including references and checklist), 4 figures,