$d$-SNE：基于随机邻域嵌入的域适应
计算机视觉与模式识别
2019-05-31 v1 机器学习
摘要
深度神经网络通常需要大量标注数据来训练其无数参数。若不使用适当的正则化，特别是在使用小数据集时，训练更大更深的网络十分困难。另一方面，收集良好标注的数据成本高昂、耗时且往往不可行。对这些网络进行正则化的一种常见方法是直接用来自替代代表性数据集的更多数据进行训练。如果代表性数据集的统计量与我们的目标不同，则可能导致不利影响。这一困境源于域偏移问题。当使用来自代表性域的特征提取器时，来自偏移域的数据可能无法产生定制特征。在本文中，我们提出了一种新颖的域适应技术（-SNE），其巧妙地利用了随机邻域嵌入技术和一种新颖的修正Hausdorff距离。所提技术可端到端学习，因此非常适合于训练神经网络。大量实验表明，-SNE优于当前最先进水平，并且对不同数据集中的方差具有鲁棒性，即使在一次性学习和半监督学习设置下也是如此。-SNE还展示了同时泛化到多个域的能力。
引用
@article{arxiv.1905.12775,
title = {$d$-SNE: Domain Adaptation using Stochastic Neighborhood Embedding},
author = {Xiang Xu and Xiong Zhou and Ragav Venkatesan and Gurumurthy Swaminathan and Orchid Majumder},
journal= {arXiv preprint arXiv:1905.12775},
year = {2019}
}
备注
Accepted as Oral at CVPR 2019