基于半监督元学习的域泛化
机器学习
2020-10-01 v2 机器学习
摘要
域泛化的目标是从多个源域中学习,以在分布差异下泛化到未见的目标域。该领域当前最先进的方法均为全监督方法,但对于许多现实世界问题,很难获得足够的标记样本。在本文中,我们提出了第一种利用未标记样本的域泛化方法,结合元学习的情景式训练与半监督学习,称为DGSML。DGSML采用基于熵的伪标记方法为未标记样本分配标签,然后利用一种新颖的差异损失确保标记未标记样本前后类中心彼此接近。为学习域不变表示,它还利用一种新颖的对齐损失确保添加未标记样本后计算的类中心对之间的距离在不同域间得以保持。DGSML通过元学习方法训练,以模拟输入源域与未见目标域之间的分布偏移。在基准数据集上的实验结果表明,DGSML优于最先进的域泛化与半监督学习方法。
引用
@article{arxiv.2009.12658,
title = {Domain Generalization via Semi-supervised Meta Learning},
author = {Hossein Sharifi-Noghabi and Hossein Asghari and Nazanin Mehrasa and Martin Ester},
journal= {arXiv preprint arXiv:2009.12658},
year = {2020}
}