无源无监督域适应的置信度评分
计算机视觉与模式识别
2022-06-15 v1 机器学习
摘要
无源无监督域适应（SFUDA）旨在利用预训练的源模型而非源数据，在未标记目标域中获得高性能。现有的SFUDA方法对所有目标样本赋予相同的重要性，这易受错误伪标签的影响。为区分样本重要性，本研究提出了一种新颖的样本级置信度评分，即用于SFUDA的联合模型-数据结构（JMDS）评分。与仅使用源域或目标域知识之一的现有置信度评分不同，JMDS评分同时使用两种知识。我们随后提出了一种基于JMDS的置信度评分加权适应（CoWA-JMDS）框架用于SFUDA。CoWA-JMDS由作为样本权重的JMDS评分以及权重Mixup组成，后者是我们提出的Mixup变体。权重Mixup促使模型更多地利用目标域知识。实验结果表明，JMDS评分优于现有置信度评分。此外，CoWA-JMDS在多种SFUDA场景下达到了最先进的性能：封闭、开放和部分集场景。
引用
@article{arxiv.2206.06640,
title = {Confidence Score for Source-Free Unsupervised Domain Adaptation},
author = {Jonghyun Lee and Dahuin Jung and Junho Yim and Sungroh Yoon},
journal= {arXiv preprint arXiv:2206.06640},
year = {2022}
}
备注
ICML 2022 camera ready