基于对抗元适应网络的混合目标域自适应

Ziliang Chen; Jingyu Zhuang; Xiaodan Liang; Liang Lin

基于对抗元适应网络的混合目标域自适应

机器学习 2019-07-09 v1 机器学习

作者: Ziliang Chen , Jingyu Zhuang , Xiaodan Liang , Liang Lin

摘要

(无监督)域自适应(DA)旨在仅利用带标签的源域样本和未带标签的目标域样本进行训练时,对目标域实例进行分类。学习域不变特征有助于实现这一目标,但其前提是未带标签样本来自单个或多个显式目标域(多目标域自适应)。本文考虑一种更现实的迁移场景:目标域由多个彼此隐式混合的子目标组成,使得学习器无法识别每个未带标签样本属于哪个子目标。这种混合目标域自适应(BTDA)场景在实践中普遍存在,并且由于这些隐藏子目标之间存在域差异和类别错位,威胁到大多数现有DA算法的有效性。为在新场景中收获迁移性能增益,我们提出对抗元适应网络(AMEAN)。AMEAN包含两种对抗式迁移学习过程。第一种是常规的对抗迁移,用于弥合源域与混合目标域之间的差距。为规避目标内类别错位,第二种过程表现为“学会适应”:它部署一个无监督元学习器,接收目标数据及其持续的特征学习反馈,以发现目标簇作为我们的“元子目标”域。这些元子目标自动设计我们的元子目标DA损失,从而在经验上消除混合目标中隐式的类别不匹配。我们在BTDA设定下的三个基准上评估了AMEAN及多种DA算法。实证结果表明,BTDA对大多数现有DA算法而言是相当具有挑战性的迁移设定,而AMEAN显著优于这些最先进的基线,并有效抑制了BTDA中的负迁移效应。

关键词

域自适应混合目标域对抗训练元学习无监督学习迁移学习

引用

@article{arxiv.1907.03389,
  title  = {Blending-target Domain Adaptation by Adversarial Meta-Adaptation Networks},
  author = {Ziliang Chen and Jingyu Zhuang and Xiaodan Liang and Liang Lin},
  journal= {arXiv preprint arXiv:1907.03389},
  year   = {2019}
}

备注

CVPR-19 (oral). Code is available at http://github.com/zjy526223908/BTDA

基于对抗元适应网络的混合目标域自适应

摘要

关键词

引用

备注

相关论文