面向质量偏移的领域自适应批权重方法
机器学习
2019-05-31 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
无监督领域迁移是将样本从源分布转移或翻译到不同目标分布的任务。当前无监督领域迁移的解决方案通常作用于分布模态匹配良好的数据上，例如源分布和目标分布之间具有相同的类别频率。然而，当模态未良好匹配时（例如样本独立抽取自两个不同但相关的领域），这些模型表现不佳。这种模态不平衡是有问题的，因为生成对抗网络（GANs）作为该场景下成功的方法，对模态频率敏感，这会导致源样本与目标分布生成样本之间的语义不匹配。我们提出了一种对训练样本进行重新加权的原则性方法，以纠正迁移分布之间的这种质量偏移，称之为批权重（batch-weight）。我们还为领域迁移提供了严格的概率设定以及训练迁移网络的新简化目标函数，作为当前最先进图像到图像翻译模型中复杂多组件损失函数的替代方案。新目标源于联合分布的判别，并以抽象的高层而非像素级意义强制循环一致性。最后，我们在多个图像到图像翻译任务中通过实验展示了所提方法的有效性。
引用
@article{arxiv.1905.12760,
title = {Batch weight for domain adaptation with mass shift},
author = {Mikołaj Bińkowski and R Devon Hjelm and Aaron Courville},
journal= {arXiv preprint arXiv:1905.12760},
year = {2019}
}