感知类别关系的对抗式领域自适应
机器学习
2020-03-31 v2 计算机视觉与模式识别
机器学习
摘要
对抗训练是一种促进跨源领域和目标领域学习可迁移表示的有用方法，已广泛应用于基于深度神经网络的领域自适应（DA）任务。直到最近，现有的对抗式领域自适应（ADA）方法忽略了来自标签空间的有用信息，而这是导致与不同语义类相关的复杂数据分布的一个重要因素。特别是，类间语义关系在当前的迁移学习工作中很少被考虑和讨论。在本文中，我们提出了一种新颖的关系感知对抗式领域自适应（RADA）算法，该算法首先利用单个多类领域判别器在领域对抗训练期间强制学习类间依赖结构，然后将其与通过在源领域上训练标签预测器所表征的类间依赖关系对齐。具体而言，我们施加一个正则化项来惩罚分别从领域判别器和标签预测器估计的类间依赖之间的结构差异。通过这种对齐，我们提出的方法使对抗式领域自适应感知到类别关系。实证研究表明，结合类别关系显著提高了在基准数据集上的性能。
引用
@article{arxiv.1905.11931,
title = {Adversarial Domain Adaptation Being Aware of Class Relationships},
author = {Zeya Wang and Baoyu Jing and Yang Ni and Nanqing Dong and Pengtao Xie and Eric P. Xing},
journal= {arXiv preprint arXiv:1905.11931},
year = {2020}
}