深度标签稀缺下的深度域适应
机器学习
2018-09-24 v1 人工智能
机器学习
摘要
域适应（DA）的目标是利用源域中的有标签样本，从而在目标域中推断出一个准确的模型，而目标域中最好是无标签或仅有极少量标签。DA 的一种最先进方法由（Ganin 等人 2016）提出，称为 DANN，他们试图通过对抗训练来诱导源域和目标域的共同表示。该方法需要大量来自源域的有标签样本，才能为目标域推断出良好的模型。然而，在许多情况下，在源域中获取标签代价高昂，这导致 DANN 性能下降，并限制了其在此类场景中的适用性。在本文中，我们提出一种新颖方法来克服这一局限。在我们的工作中，我们首先确立 DANN 将原始 DA 问题化简为共同表示空间上的半监督学习问题。接下来，我们提出一种学习方法，即 TransDANN，它融合对抗学习与转导学习，以减轻有限源标签的不利影响并带来改进的性能。实验结果（包括文本与图像）表明，在此类场景下 TransDANN 相对于 DANN 性能有显著提升。我们还为该性能提升提供了理论依据。
引用
@article{arxiv.1809.08097,
title = {Deep Domain Adaptation under Deep Label Scarcity},
author = {Amar Prakash Azad and Dinesh Garg and Priyanka Agrawal and Arun Kumar},
journal= {arXiv preprint arXiv:1809.08097},
year = {2018}
}