用于鲁棒无监督域适应的判别式聚类
机器学习
2019-06-03 v1 机器学习
摘要
无监督域适应旨在利用有标签源数据集的信息，为无标签目标域学习一种不变且具有判别力的表示。我们提出通过同时学习紧密聚类的目标表示，并鼓励每个聚类被分配给源域中一个唯一且不同的类别，来提升目标域表示的判别能力。当与源和目标表示之间的对抗域匹配相结合时，该策略缓解了负迁移的影响。我们的方法对源域和目标域标签分布差异具有鲁棒性，因此适用于平衡与不平衡域适应任务，并且通过简单扩展也可用于部分域适应。在多个域适应基准数据集上的实验表明，我们的方法在所有三种场景（即平衡、不平衡和部分域适应）中均能取得最先进的性能。
引用
@article{arxiv.1905.13331,
title = {Discriminative Clustering for Robust Unsupervised Domain Adaptation},
author = {Rui Wang and Guoyin Wang and Ricardo Henao},
journal= {arXiv preprint arXiv:1905.13331},
year = {2019}
}