用于领域适应的对抗重加权与 $\alpha$-幂最大化
计算机视觉与模式识别
2024-04-29 v1 机器学习
摘要
实际的领域适应（DA）任务，例如部分领域适应（PDA）、开集 DA、通用 DA 和测试时适应，在机器学习社区中受到了越来越多的关注。在本文中，我们提出了一种新颖的方法，称为对抗重加权与 -幂最大化（ARPM），用于源域包含目标域中不存在的私有类的 PDA。在 ARPM 中，我们提出了一种新颖的对抗重加权模型，该模型对抗性地学习对源域数据进行重加权，通过为源私有类样本分配较小的权重来识别它们，以减轻潜在的负迁移。基于对抗重加权，我们在重加权的源分布上训练可迁移识别模型，使其能够对公共类数据进行分类。为了减少 PDA 中识别模型在目标域上的预测不确定性，我们在 ARPM 中提出了一种 -幂最大化机制，这丰富了用于减少 PDA 预测不确定性的损失函数族。在五个 PDA 基准（即 Office-31、Office-Home、VisDA-2017、ImageNet-Caltech 和 DomainNet）上的大量实验结果表明，我们的方法优于最近的 PDA 方法。消融研究也证实了我们方法中各组件的有效性。为了在理论上分析我们的方法，我们推导了 PDA 目标域期望误差的上界，该上界在我们的方法中得到了近似最小化。我们进一步将 ARPM 扩展到开集 DA、通用 DA 和测试时适应，并通过实验验证了其有效性。
引用
@article{arxiv.2404.17275,
title = {Adversarial Reweighting with $\alpha$-Power Maximization for Domain Adaptation},
author = {Xiang Gu and Xi Yu and Yan Yang and Jian Sun and Zongben Xu},
journal= {arXiv preprint arXiv:2404.17275},
year = {2024}
}
备注
To appear in IJCV