基于课程学习的丢弃判别器用于域适应

域适应对于广泛使用基于深度学习、利用大型标注数据集训练的网络至关重要。基于对抗学习的技术已展现出利用判别器确保源域与目标域分布接近来解决该问题的效用。然而，我们在此提出，与使用点估计相比，若可采用基于分布的判别器来弥合这一差距将更有益。这可通过多个分类器或传统集成方法实现。相反，我们提出基于蒙特卡洛丢弃的集成判别器足以获得基于分布的判别器。具体而言，我们提出了一种基于课程学习的丢弃判别器，其逐步增大基于样本的分布的方差，并利用相应的反向梯度来对齐源域与目标域的特征表示。详细结果与充分的消融分析表明，我们的模型优于当前最优结果。