极端标签稀缺下的自主跨域适应
机器学习
2022-09-07 v1 人工智能
摘要
跨域多流分类是一项极具挑战的问题，要求快速域适应以在永不停止且迅速变化的环境中处理不同但相关的数据流。尽管现有多流分类器假定目标流中无标签样本，它们仍因需要源流的完全标注样本而产生高昂标注成本。本文旨在攻克跨域多流分类问题中极端标签短缺的难题——即过程运行前仅提供极少量源流标注样本。我们的方案称为 LEOPARD（从部分真值中学习流过程，Learning Streaming Process from Partial Ground Truth），构建于灵活的深度聚类网络之上，其隐节点、层与簇随数据分布变化被动态增删。深度聚类策略由同步特征学习与聚类技术支撑，从而导向利于聚类的隐空间。域适应策略依赖对抗域适应技术，其中特征提取器被训练以迷惑区分源流与目标流的域分类器。数值研究证明了 LEOPARD 的有效性，其在 24 个案例中 15 次优于著名算法。LEOPARD 源代码已分享于 \url{https://github.com/wengweng001/LEOPARD.git} 以便进一步研究。
引用
@article{arxiv.2209.01548,
title = {Autonomous Cross Domain Adaptation under Extreme Label Scarcity},
author = {Weiwei Weng and Mahardhika Pratama and Choiru Za'in and Marcus De Carvalho and Rakaraddi Appan and Andri Ashfahani and Edward Yapp Kien Yee},
journal= {arXiv preprint arXiv:2209.01548},
year = {2022}
}