用于变分迁移学习的跨域潜在调制
机器学习
2020-12-23 v1 人工智能
摘要
我们在变分自编码器（VAE）框架内提出一种跨域潜在调制机制，以实现改进的迁移学习。我们的核心思想是从一个数据域获取深度表示，并将其用作另一域中潜在变量重参数化的扰动。具体而言，源域和目标域的深度表示首先由统一推断模型提取，并采用梯度反转进行对齐。其次，学习到的深度表示被交叉调制到另一域的潜在编码中。随后强制由调制潜在编码重建与利用深度表示样本生成之间的一致性，以在潜在空间中产生类间对齐。我们将所提模型应用于若干迁移学习任务，包括无监督域适应和图像到图像翻译。实验结果表明我们的模型具有竞争性性能。
引用
@article{arxiv.2012.11727,
title = {Cross-Domain Latent Modulation for Variational Transfer Learning},
author = {Jinyong Hou and Jeremiah D. Deng and Stephen Cranefield and Xuejie Ding},
journal= {arXiv preprint arXiv:2012.11727},
year = {2020}
}
备注
10 pages, 7 figures, to appear in IEEE WACV'21