用于半监督领域自适应的自适应介数聚类
计算机视觉与模式识别
2024-01-23 v1
摘要
与无监督领域自适应相比，半监督领域自适应 (SSDA) 旨在通过利用来自目标域的少量标记数据，显著提高模型的分类性能和泛化能力。已经开发了几种 SSDA 方法来实现跨域标记（或伪标记）样本之间的语义对齐特征混淆；然而，由于目标域语义标签信息的稀缺，它们难以充分发挥其潜力。在本研究中，我们提出了一种名为基于图的自适应介数聚类 (G-ABC) 的新型 SSDA 方法，用于实现类别领域对齐，该方法通过强制从源域和目标域的标记数据向未标记目标样本进行语义传递，来实现跨域语义对齐。具体而言，首先构建一个异构图，以反映两个域的标记样本与目标域未标记样本之间的成对关系。然后，为了降低图中的噪声连接，通过引入两种策略来进行连接细化，即基于置信度不确定性的节点移除和基于预测差异性的边缘剪枝。一旦图被细化，引入自适应介数聚类，通过使用跨域介数聚类和域内介数聚类来促进语义传递，从而将跨域标记样本的语义标签信息传播到未标记目标数据。在三个标准基准数据集，即 DomainNet、Office-Home 和 Office-31 上的大量实验表明，我们的方法优于以前最先进的 SSDA 方法，证明了所提出的 G-ABC 算法的优越性。
引用
@article{arxiv.2401.11448,
title = {Adaptive Betweenness Clustering for Semi-Supervised Domain Adaptation},
author = {Jichang Li and Guanbin Li and Yizhou Yu},
journal= {arXiv preprint arXiv:2401.11448},
year = {2024}
}
备注
16 pages, 9 figures, published to IEEE TIP