面向无监督域适应的双分类器确定性最大化
计算机视觉与模式识别
2020-12-15 v1
摘要
无监督域适应所挑战的问题是将知识从标注良好的源域迁移到未标注的目标域。近年来,基于双分类器的对抗学习已被证明在拉近跨域分布方面有效。已有方法通常利用双分类器间的不一致来学习可迁移表示,然而它们常忽视目标域中的分类器确定性,可能导致特征可判别性不足。本文提出一种简单而有效的方法,即双分类器确定性最大化(BCDM),以解决该问题。受目标样本并非总能被决策边界清晰分离这一观察的启发,我们在所提 BCDM 中设计了一种新颖的分类器确定性差异(CDD)度量,将分类器差异表述为不同目标预测的类相关性,并隐式地对目标特征可判别性引入约束。为此,BCDM 能够通过鼓励目标预测输出一致且确定来生成判别性表示,同时以对抗方式保持预测的多样性。此外,本文详述了 CDD 的性质以及 BCDM 泛化界的理论保证。大量实验表明,BCDM 优于现有的最优域适应方法。
引用
@article{arxiv.2012.06995,
title = {Bi-Classifier Determinacy Maximization for Unsupervised Domain Adaptation},
author = {Shuang Li and Fangrui Lv and Binhui Xie and Chi Harold Liu and Jian Liang and Chen Qin},
journal= {arXiv preprint arXiv:2012.06995},
year = {2020}
}
备注
Accepted as AAAI 2021. The code is publicly available at https://github.com/BIT-DA/BCDM