双重对抗域适应
机器学习
2020-01-03 v1 机器学习
摘要
无监督域适应旨在将知识从有标签的源域迁移到无标签的目标域。以往的对抗域适应方法大多采用具有二值或 维输出的判别器来独立地进行边缘或条件对齐。近期实验表明，当判别器同时获得两域的域信息与源域的标签信息时，能够保留两域中复杂的多模态信息和高层语义信息。遵循该思路，我们采用具有 维输出的判别器，在单一判别器中同时完成域级与类级对齐。然而，单一判别器无法捕获跨域的所有有用信息，且样本与决策边界的关系此前鲜有探究。受多视图学习与域适应最新进展的启发，除判别器与特征提取器之间的对抗过程外，我们还设计了一种新机制使两个判别器相互对抗，从而彼此提供多样化信息并避免生成超出源域支撑范围的目标特征。据我们所知，这是首次在域适应中探索双重对抗策略。此外，我们还使用半监督学习正则化使表示更具判别性。在两个真实数据集上的综合实验验证了我们的方法优于几种最先进的域适应方法。
引用
@article{arxiv.2001.00153,
title = {Dual Adversarial Domain Adaptation},
author = {Yuntao Du and Zhiwen Tan and Qian Chen and Xiaowen Zhang and Yirong Yao and Chongjun Wang},
journal= {arXiv preprint arXiv:2001.00153},
year = {2020}
}