面向无监督域适应的深度判别学习
机器学习
2019-08-12 v2 机器学习
摘要
域适应方法的主要目标是将知识从源域迁移到数据分布相似但不同的目标域。因此，为了正确分类无标签的目标域样本，标准方法是学习源域和目标域的共同表示，从而间接解决目标域中分类器的学习问题。然而，这种方法并未直接处理目标域中的分类任务。相反，我们提出了一种直接解决无标签目标域中分类器学习问题的方法。具体而言，我们训练一个分类器以正确分类训练样本，同时以无监督方式对目标域中的样本进行分类。相应模型被称为域适应判别编码（Discriminative Encoding for Domain Adaptation, DEDA）。我们表明，这种用于执行无监督域适应的简单方法确实相当强大。我们的方法在各种图像分类基准上的无监督适应任务中取得了 SOTA 结果。我们还在 Amazon 评论情感分类数据集的域适应上获得了 SOTA 性能。我们在源数据标签样本较少以及零样本域适应任务（即不使用任何目标域样本进行训练）的情况下进行了额外实验。
引用
@article{arxiv.1811.07134,
title = {Deep Discriminative Learning for Unsupervised Domain Adaptation},
author = {Rohith AP and Ambedkar Dukkipati and Gaurav Pandey},
journal= {arXiv preprint arXiv:1811.07134},
year = {2019}
}
备注
There are some issues with our code and experimentation, hence we are withdrawing the paper