基于动态间隔的 Bures 联合分布对齐用于无监督域适应
计算机视觉与模式识别
2022-03-15 v1
摘要
无监督域适应（UDA）是迁移学习的重要任务之一，它为缓解有标签源域与无标签目标域之间的分布偏移提供了有效途径。先前的工作主要聚焦于对齐边缘分布或估计的类条件分布。然而，特征与标签之间的联合依赖关系对适应任务至关重要，却未被充分利用。为解决该问题，我们提出 Bures 联合分布对齐（BJDA）算法，该算法基于无限维核空间中的最优传输理论直接对联合分布偏移进行建模。具体而言，我们提出一种新颖的对齐损失项，用于最小化联合分布之间的核 Bures-Wasserstein 距离。从技术上讲，BJDA 能够有效捕捉数据底层的非线性结构。此外，我们在对比学习阶段引入动态间隔，以灵活刻画类可分离性并提升表示的判别能力。它也避免了传统基于三元组损失的方法中通过交叉验证确定间隔参数的过程。大量实验表明，BJDA 对 UDA 任务非常有效，因为在大多数实验设置下其性能优于最先进算法。特别地，BJDA 在 Adaptiope 上使 UDA 任务平均准确率提升 2.8%，在 Office-Caltech10 上提升 1.4%，在 ImageCLEF-DA 上提升 1.1%。
引用
@article{arxiv.2203.06836,
title = {Bures Joint Distribution Alignment with Dynamic Margin for Unsupervised Domain Adaptation},
author = {Yong-Hui Liu and Chuan-Xian Ren and Xiao-Lin Xu and Ke-Kun Huang},
journal= {arXiv preprint arXiv:2203.06836},
year = {2022}
}