centroIDA：基于累积类质心的跨域类间差异最小化用于不平衡域适应
机器学习
2023-08-22 v1
摘要
无监督域适应(UDA)方法通过最小化源域与目标域之间的分布差异来解决协变量偏移问题，假设标签分布跨域不变。然而，在不平衡域适应(IDA)场景中，协变量偏移与长尾标签偏移同时跨域存在。为应对 IDA 问题，当前一些研究聚焦于最小化源域与目标域间各对应类的分布差异。此类方法高度依赖可靠伪标签的选取以及目标域特征分布的估计，而数量有限的少数类使得估计更具不确定性，进而影响模型性能。本文中，我们提出一种用于 IDA 的基于累积类质心的跨域类间差异最小化方法（centroIDA）。首先，采用基于类的重采样策略在源域上获得无偏分类器。其次，提出累积类质心对齐损失用于跨域的迭代类质心对齐。最后，使用类间特征对齐损失优化特征表示以获得鲁棒分类边界。一系列实验证明，我们的方法在 IDA 问题上优于其他 SOTA 方法，尤其在标签偏移程度增加时。
引用
@article{arxiv.2308.10619,
title = {centroIDA: Cross-Domain Class Discrepancy Minimization Based on Accumulative Class-Centroids for Imbalanced Domain Adaptation},
author = {Xiaona Sun and Zhenyu Wu and Yichen Liu and Saier Hu and Zhiqiang Zhan and Yang Ji},
journal= {arXiv preprint arXiv:2308.10619},
year = {2023}
}