用于零样本域自适应的对抗学习
计算机视觉与模式识别
2020-09-14 v1
摘要
零样本域自适应（ZSDA）是一类域自适应问题，其中目标域中既无数据样本也无标签可用于参数学习。基于给定域对之间的偏移跨任务共享这一假设，我们提出了一种通过将从无关任务（IrT）到感兴趣任务（ToI）的域偏移进行迁移的 ZSDA 新方法。具体而言，我们首先确定一个双域样本可用的 IrT，并在该任务中用耦合生成对抗网络（CoGAN）捕获域偏移。然后，我们为 ToI 训练一个 CoGAN，并约束其携带与 IrT 的 CoGAN 相同的域偏移。此外，我们引入一对协同训练分类器来正则化 ToI 中 CoGAN 的训练过程。所提方法不仅推导出了针对不可得目标域数据的机器学习模型，还合成了数据本身。我们在基准数据集上评估了所提方法，取得了最先进的性能。
引用
@article{arxiv.2009.05214,
title = {Adversarial Learning for Zero-shot Domain Adaptation},
author = {Jinghua Wang and Jianmin Jiang},
journal= {arXiv preprint arXiv:2009.05214},
year = {2020}
}