Clarinet：一种面向低成本无监督域适应的单步方法
机器学习
2021-03-08 v2 计算机视觉与模式识别
机器学习
摘要
在无监督域适应（UDA）中，目标域的分类器利用来自源域的大量真标签数据和来自目标域的无标签数据进行训练。然而，在预算有限的情况下，收集完全真标签的源域数据可能十分困难。为缓解该问题，我们考虑一种新颖的问题设定：目标域分类器必须使用来自源域的补充标签数据和来自目标域的无标签数据进行训练，称为低成本无监督域适应（BFUDA）。其主要优势在于，收集补充标签的源数据（BFUDA 所需）远比收集真标签的源数据（普通 UDA 所需）成本低廉。为此，我们提出补充标签对抗网络（CLARINET）来解决 BFUDA 问题。CLARINET 同时维护两个深度网络，其中一个专注于分类补充标签的源数据，另一个负责源到目标分布的适应。实验表明，CLARINET 显著优于一系列有竞争力的基线方法。
引用
@article{arxiv.2007.14612,
title = {Clarinet: A One-step Approach Towards Budget-friendly Unsupervised Domain Adaptation},
author = {Yiyang Zhang and Feng Liu and Zhen Fang and Bo Yuan and Guangquan Zhang and Jie Lu},
journal= {arXiv preprint arXiv:2007.14612},
year = {2021}
}
备注
This paper has been accepted by IJCAI-PRICAI 2020. Yiyang Zhang, Feng Liu and Zhen Fang equally contribute to this paper