针对数字分类的对抗判别域适应的深入分析
计算机视觉与模式识别
2025-01-08 v2 人工智能
机器学习
摘要
域适应是机器学习领域的活跃研究方向， driven by the growing demand for robust machine learning models that perform well on real-world data. 对深度神经网络(DNN)的对抗学习已成为提高泛化能力的有前景的方法，尤其适用于图像分类。在本文中，我们实现了一种特定的对抗学习技术，即对抗判别域适应(ADDA)，并复制了原始ADDA论文中的数字分类实验。我们通过检验更广泛的域偏移范围，详细分析了ADDA后在域内分类准确率的变化。我们的结果表明，ADDA在某些域偏移下显著提高准确率，而对域内性能几乎没有影响。此外，我们提供定性分析，并提出对ADDA在成功性较差的域偏移中的局限性的潜在解释。代码地址为 https://github.com/eugenechoi2004/COS429_FINAL 。
引用
@article{arxiv.2412.19391,
title = {An In-Depth Analysis of Adversarial Discriminative Domain Adaptation for Digit Classification},
author = {Eugene Choi and Julian Rodriguez and Edmund Young},
journal= {arXiv preprint arXiv:2412.19391},
year = {2025}
}
备注
Replacement: Updated methodology section to include grayscale preprocessing of SVHN data