用于域适应的对抗学习损失
计算机视觉与模式识别
2020-01-07 v1 机器学习
摘要
近来,在学习跨域可迁移表征方面取得了显著进展。以往的域适应工作主要基于两种技术:域对抗学习和自训练。然而,域对抗学习仅对齐域之间的特征分布,而不考虑目标特征是否具有判别性。另一方面,自训练利用模型预测来增强目标特征的判别性,但无法显式对齐域分布。为了结合这两种方法的优势,我们提出了一种称为用于域适应的对抗学习损失(ALDA)的新方法。我们首先分析了典型的自训练方法——伪标签方法。尽管如此,伪标签与真实标签之间存在差距,这可能导致错误的训练。因此我们引入了通过ALDA中以对抗方式学习的混淆矩阵,以缩小差距并对齐特征分布。最后,从学习到的混淆矩阵中自动构造出一个新的损失函数,作为无标签目标样本的损失。我们的ALDA在四个标准域适应数据集上优于最先进的方法。我们的代码可在 https://github.com/ZJULearning/ALDA 获取。
引用
@article{arxiv.2001.01046,
title = {Adversarial-Learned Loss for Domain Adaptation},
author = {Minghao Chen and Shuai Zhao and Haifeng Liu and Deng Cai},
journal= {arXiv preprint arXiv:2001.01046},
year = {2020}
}
备注
Published in 34th AAAI Conference on Artificial Intelligence, 2020