基于变分推断的域不变特征对齐用于部分域适应
机器学习
2022-12-06 v1
摘要
标准的闭集域适应方法试图在共享相同标签集的约束下缓解两个域之间的分布差异。然而，在现实场景中，寻找具有完全相同标签空间的最优源域是一项具有挑战性的任务。部分域适应缓解了获取具有相同标签空间假设的标注数据集这一问题，并解决了源标签集包含目标标签集这一更实际的场景。然而，这在适应过程中带来了若干额外障碍。仅属于源域的类别样本阻碍了相关知识迁移并降低模型性能。在本工作中，我们试图通过将变分信息与对抗学习同伪标注技术相结合，来应对这些问题，以强制类分布对齐并最小化来自源样本的多余信息迁移。在众多跨域分类任务中的实验结果表明，所提技术取得了优于且可与现有方法相媲美的精度。
引用
@article{arxiv.2212.01590,
title = {Domain-Invariant Feature Alignment Using Variational Inference For Partial Domain Adaptation},
author = {Sandipan Choudhuri and Suli Adeniye and Arunabha Sen and Hemanth Venkateswara},
journal= {arXiv preprint arXiv:2212.01590},
year = {2022}
}
备注
Accepted in the 56th Asilomar Conference on Signals, Systems, and Computers, 2022