通过最大化总体相关性与神经架构搜索进行域适应
计算机视觉与模式识别
2021-09-15 v1 人工智能
摘要
在源域与目标域特征分布不同的域适应 (DA) 中，已有多种基于距离的方法被提出以最小化源域与目标域之间的差异来处理域偏移。本文提出一种新的相似性函数，称为总体相关性 (PC)，用于度量 DA 的域差异。基于 PC 函数，我们提出一种称为通过最大化总体相关性进行域适应 (DAMPC) 的新方法，以学习 DA 的域不变特征表示。此外，多数现有 DA 方法使用手工设计的瓶颈网络，这可能限制相应模型的容量与灵活性。因此，我们进一步提出带神经架构搜索的 DAMPC (DAMPC-NAS) 方法，为 DAMPC 搜索最优网络架构。在包括 Office-31、Office-Home 和 VisDA-2017 在内的多个基准数据集上的实验表明，所提 DAMPC-NAS 方法取得了优于当前最优 DA 方法的结果。
引用
@article{arxiv.2109.06652,
title = {Domain Adaptation by Maximizing Population Correlation with Neural Architecture Search},
author = {Zhixiong Yue and Pengxin Guo and Yu Zhang},
journal= {arXiv preprint arXiv:2109.06652},
year = {2021}
}