用于无监督域适应的非对称三体训练

在大量标注样本上训练的深层模型提升了许多任务的准确率。将此类模型应用于不同领域至关重要，因为在各个领域收集大量标注样本成本高昂。在无监督域适应中，当提供标注的源样本和未标注的目标样本时，需要训练一个在目标域上表现良好的分类器。尽管许多方法旨在匹配源样本和目标样本的分布，但仅仅匹配分布无法保证目标域的准确率。为了学习目标域的判别性表示，我们假设对目标样本进行人工标注可以产生良好的表示。三体训练（Tri-training）利用三个分类器平等地为未标注样本提供伪标签，但该方法未假设标注来自不同域生成的样本。本文提出一种用于无监督域适应的非对称三体训练方法，我们为未标注样本分配伪标签，并将其视为真实标签来训练神经网络。在我们的工作中，我们非对称地使用三个网络。所谓非对称，是指使用两个网络为未标注的目标样本打标签，而一个网络通过这些样本进行训练以获得目标判别性表示。我们在数字识别和情感分析数据集上评估了我们的方法。所提方法在域适应的基准数字识别数据集上达到了最先进的性能。