基于自集成的域混淆用于无监督自适应
机器学习
2020-07-09 v3 人工智能
机器学习
摘要
在机器学习中，数据收集和标注非常耗时，尤其是对于大规模问题。解决该问题的一种常见方法是将知识从相关的有标签域迁移到目标域。实现这一目标有两种流行的方法：对抗学习和自训练。在本文中，我们首先分析了对抗学习过程中的训练不稳定问题和错误混淆问题。然后，受域混淆和自集成方法的启发，我们提出了一种联合学习特征和类别不变表示的组合模型，即域混淆与自集成（Domain Confusion with Self Ensembling, DCSE）。实验验证了我们所提出的方法在各种无监督域自适应基准上能够提供比经验最优方法更好的性能。
引用
@article{arxiv.1810.04472,
title = {Domain Confusion with Self Ensembling for Unsupervised Adaptation},
author = {Jiawei Wang and Zhaoshui He and Chengjian Feng and Zhouping Zhu and Qinzhuang Lin and Jun Lv and Shengli Xie},
journal= {arXiv preprint arXiv:1810.04472},
year = {2020}
}
备注
The expression is ambiguous, which is not convenient for readers to understand, and in today's view, the conclusion of the paper is of little significance, so it is no longer open