面向无监督域适应的跨域误差最小化
机器学习
2021-06-30 v1
摘要
无监督域适应旨在将知识从有标签的源域迁移到无标签的目标域。以往方法侧重于学习域不变特征以减小特征分布之间的差异，并最小化源域误差，已取得显著进展。然而，近期提出的理论揭示此类策略不足以实现成功的域适应。该理论表明，除较小的源域误差外，特征分布之间的差异与标注函数之间的差异均应跨域较小。标注函数之间的差异本质上是现有方法忽略的跨域误差。为克服此问题，本文提出一种新方法，将全部目标整合进统一优化框架。此外，以往方法广泛使用的错误伪标签会在学习中导致误差累积。为缓解该问题，伪标签除利用源分类器外还借助目标域的结构信息获得，并且我们提出一种基于课程学习的策略，在训练期间筛选具有更准确伪标签的目标样本。我们开展了全面实验，结果验证了我们的方法优于 SOTA 方法。
引用
@article{arxiv.2106.15057,
title = {Cross-domain error minimization for unsupervised domain adaptation},
author = {Yuntao Du and Yinghao Chen and Fengli Cui and Xiaowen Zhang and Chongjun Wang},
journal= {arXiv preprint arXiv:2106.15057},
year = {2021}
}
备注
Accepted by DASFAA 2021