用于少样本假设适应的多样性增强生成网络
机器学习
2023-07-13 v1
摘要
生成无标签数据近来被证明有助于解决少样本假设适应（FHA）问题，即利用少量带标签目标域数据与一个训练良好的源域分类器（即源假设），借助高度兼容的无标签数据的额外信息为目标域训练分类器。然而，现有方法生成的数据极为相似甚至相同。生成数据间的强依赖性将导致学习失败。本文提出一种用于 FHA 问题的多样性增强生成网络（DEG-Net），其可借助核独立度量——希尔伯特-施密特独立准则（HSIC）生成多样的无标签数据。具体而言，DEG-Net 将通过最小化生成数据语义特征间的 HSIC 值（即最大化独立性）来生成数据。通过 DEG-Net，生成的无标签数据更具多样性，且对解决 FHA 问题更为有效。实验结果表明，DEG-Net 优于现有 FHA 基线，并进一步验证了生成多样数据在解决 FHA 问题中起关键作用。
引用
@article{arxiv.2307.05948,
title = {Diversity-enhancing Generative Network for Few-shot Hypothesis Adaptation},
author = {Ruijiang Dong and Feng Liu and Haoang Chi and Tongliang Liu and Mingming Gong and Gang Niu and Masashi Sugiyama and Bo Han},
journal= {arXiv preprint arXiv:2307.05948},
year = {2023}
}