基于多层联合核化距离的深度对抗域适应
机器学习
2020-10-13 v1
摘要
域适应指将源数据上学习的模型应用于具有同类别但不同分布的目标数据的学习场景。尽管已被广泛应用，源数据与目标数据间的分布差异会显著影响适应性能。近期通过采用对抗学习解决了该问题并取得了优异的适应性能。本文提出一种基于多层联合核化距离度量的深度对抗域适应模型。利用深度网络提取的抽象特征，计算被预测为第 类的第 个目标数据与第 类所有源数据间的多层联合核化距离（MJKD）。基于 MJKD，在每类中采用类平衡选择策略筛选最可能被正确分类的目标数据，并以伪标签将其视为有标签数据。随后使用对抗架构使新生成的带标签训练数据与剩余目标数据相互接近。如此，目标数据自身提供了有价值的信息以增强域适应。本文亦对所提方法进行分析，实验结果表明该方法优于若干 SOTA 方法。
引用
@article{arxiv.2010.05696,
title = {Deep Adversarial Domain Adaptation Based on Multi-layer Joint Kernelized Distance},
author = {Sitong Mao and Jiaxin Chen and Xiao Shen and Fu-lai Chung},
journal= {arXiv preprint arXiv:2010.05696},
year = {2020}
}