AGLP：半监督域适应的图学习视角
计算机视觉与模式识别
2024-11-25 v2 人工智能
摘要
在半监督域适应（SSDA）中，模型旨在利用部分标注的目标域数据以及大量标注的源域数据来增强其对目标域的泛化能力。SSDA的一个关键优势是能够显著减少对标注数据的依赖，从而降低数据准备的成本和时间。大多数现有的SSDA方法利用域标签和类标签的信息，但忽略了数据的结构信息。为了解决这个问题，本文提出了一种用于半监督域适应的图学习视角（AGLP）。我们将图卷积网络应用于实例图，使得结构信息能够沿着加权图边传播。所提出的AGLP模型具有多个优势。首先，据我们所知，这是第一个在SSDA中对结构信息进行建模的工作。其次，该模型能够有效学习域不变和语义表示，减少SSDA中的域差异。在多个标准基准上的大量实验结果表明，所提出的AGLP算法优于最先进的半监督域适应方法。
引用
@article{arxiv.2411.13152,
title = {AGLP: A Graph Learning Perspective for Semi-supervised Domain Adaptation},
author = {Houcheng Su and Mengzhu Wang and Jiao Li and Nan Yin and Liang Yang and Li Shen},
journal= {arXiv preprint arXiv:2411.13152},
year = {2024}
}
备注
8page