用于无监督域适应的对比平滑类别对齐
机器学习
2020-10-08 v4 机器学习
摘要
近期无监督域适应方法主要通过精炼特征生成器来最小化源域与目标域之间的差距,以学习两域间更好的对齐。该最小化可通过域分类器检测偏离源域特征的目标域特征来实现。然而,通过此类域分类差异优化时,那些未在低维数据流形上平滑分布的模糊目标样本常被遗漏。为解决此问题,我们提出一种新颖的对比平滑类别对齐(CoSCA)模型,其显式地结合类内与类间域差异,以更好地将模糊目标样本与源域对齐。CoSCA 估计目标样本的潜在标签假设,并通过优化所提出的对比损失同时调整其特征表示。此外,利用最大均值差异(MMD)直接匹配源与目标样本间特征以获得更好的全局对齐。在若干基准数据集上的实验表明,CoSCA 能通过生成更具判别性的特征超越最先进的无监督域适应方法。
引用
@article{arxiv.1909.05288,
title = {Contrastively Smoothed Class Alignment for Unsupervised Domain Adaptation},
author = {Shuyang Dai and Yu Cheng and Yizhe Zhang and Zhe Gan and Jingjing Liu and Lawrence Carin},
journal= {arXiv preprint arXiv:1909.05288},
year = {2020}
}