用于无监督域适应的动态加权学习
机器学习
2021-03-26 v1
摘要
无监督域适应（UDA）旨在利用完全标注的源域信息来提升未标注目标域的分类性能。近期方法探索域不变与类判别表示以应对该任务。然而，这些方法忽略了域对齐学习与类判别学习之间的交互。因此，域对齐与类判别之间缺失或不足的权衡易导致负迁移问题。本文中，我们提出动态加权学习（DWL）以避免由过度对齐学习引起的判别性消失问题，以及由过度判别学习引起的域未对齐问题。在技术层面，DWL 通过引入对齐度与判别度，对对齐与判别性的学习损失进行动态加权。此外，样本跨域不平衡问题在我们的工作中首次被考虑，我们通过为样本加权以保障跨域信息平衡来解决该问题。大量实验表明，DWL 在多个基准数据集上均具有优异性能。
引用
@article{arxiv.2103.13814,
title = {Dynamic Weighted Learning for Unsupervised Domain Adaptation},
author = {Ni Xiao and Lei Zhang},
journal= {arXiv preprint arXiv:2103.13814},
year = {2021}
}
备注
This paper has been accepted by CVPR2021