基于判别图自学习的跨域标签传播域适应方法
机器学习
2023-02-20 v1
摘要
域适应致力于将标注良好源数据的知识迁移至未标注目标数据。近期许多工作聚焦于提升目标伪标签的预测精度以减小条件分布偏移。本文提出一种新颖的域适应方法，通过跨域标签传播推断目标伪标签，从而可探索两域数据的底层流形结构。不同于现有将域不变特征学习、亲和矩阵构建与目标标签推断分离为三个独立阶段的跨域标签传播方法，我们提出将其整合入统一优化框架。如此，这三部分可从迭代优化角度相互提升，从而实现更有效的知识迁移。此外，为构建高质量亲和矩阵，我们提出判别图自学习策略，其不仅能自适应捕获两域数据的内在相似性，还能有效利用标注良好源数据与伪标注目标数据中的判别信息。我们设计了高效的迭代优化算法求解所提方法的目标函数。值得注意的是，所提方法可以简单而有效的方式扩展至半监督域适应，且相应优化问题可用同一算法求解。在六个标准数据集上的大量实验验证了我们的方法在无监督与半监督域适应设定下的显著优越性。
引用
@article{arxiv.2302.08710,
title = {Cross-Domain Label Propagation for Domain Adaptation with Discriminative Graph Self-Learning},
author = {Lei Tian and Yongqiang Tang and Liangchen Hu and Wensheng Zhang},
journal= {arXiv preprint arXiv:2302.08710},
year = {2023}
}