基于解耦表示的领域不可知学习
计算机视觉与模式识别
2019-04-30 v1 机器学习
摘要
无监督模型迁移有潜力极大提升深度模型对新颖领域的泛化能力。然而当前文献假设目标数据到不同领域的划分为先验已知。本文提出领域不可知学习（DAL）任务：如何将知识从有标注的源领域迁移到来自任意目标领域的无标注数据？为解决该问题，我们设计了一种新颖的深度对抗解耦自编码器（DADA），能够解耦领域特定特征与类别身份。我们通过实验证明，当目标领域标签未知时，DADA 在多个图像分类数据集上取得了最先进的性能。
引用
@article{arxiv.1904.12347,
title = {Domain Agnostic Learning with Disentangled Representations},
author = {Xingchao Peng and Zijun Huang and Ximeng Sun and Kate Saenko},
journal= {arXiv preprint arXiv:1904.12347},
year = {2019}
}