条件对抗域适应
机器学习
2019-01-01 v4
摘要
对抗学习已被嵌入深度网络，以学习用于域适应的解耦和可迁移表示。现有的对抗域适应方法可能无法有效对齐分类问题中固有的多模态分布的不同域。在本文中，我们提出了条件对抗域适应，这是一个原则性框架，将对抗适应模型的条件建立在分类器预测所传递的判别信息上。条件域对抗网络（CDANs）设计了两种新颖的条件策略：多线性条件化，捕捉特征表示与分类器预测之间的交叉协方差以提高判别能力；以及熵条件化，控制分类器预测的不确定性以保证可迁移性。凭借理论保证和少量代码，该方法在五个数据集上超越了最先进的结果。
引用
@article{arxiv.1705.10667,
title = {Conditional Adversarial Domain Adaptation},
author = {Mingsheng Long and Zhangjie Cao and Jianmin Wang and Michael I. Jordan},
journal= {arXiv preprint arXiv:1705.10667},
year = {2019}
}
备注
32nd Conference on Neural Information Processing Systems (NeurIPS 2018), Montreal, Canada