E-ADDA：一种由新型马氏距离损失增强的无监督对抗域适应方法，用于智能计算
机器学习
2023-04-24 v5 人工智能
摘要
在智能计算中，特定任务的训练样本标签并不总是充足的。然而，一个相关但不同的数据集中样本的标签是可用的。因此，研究人员依赖无监督域适应（UDA）来利用一个数据集（源域）中的标签，在另一个不同的、无标签的数据集（目标域）上实现更好的分类。现有的非生成式对抗 UDA 解决方案旨在通过对抗训练实现域混淆。理想情况是实现完美的域混淆，但这并不能保证一定为真。为了在对抗训练之上进一步强化域混淆，我们提出了一种新颖的 UDA 算法——\textit{E-ADDA}，该算法同时使用了一种新型的马氏距离损失变体和一个分布外检测子程序。马氏距离损失最小化了编码后的目标样本与源域分布之间的分布距离，从而在对抗训练之上施加了额外的域混淆。然后，OOD 子程序进一步消除了那些域混淆不成功的样本。我们在声学和计算机视觉模态上对 E-ADDA 进行了广泛而全面的评估。在声学模态中，E-ADDA 的性能（以 f1 分数衡量）比几种最先进的 UDA 算法高出多达 29.8%。在计算机视觉模态中，评估结果表明，我们在流行的 UDA 基准测试（如 Office-31 和 Office-Home）上取得了新的最先进性能，比表现第二好的算法高出多达 17.9%。
引用
@article{arxiv.2201.10001,
title = {E-ADDA: Unsupervised Adversarial Domain Adaptation Enhanced by a New Mahalanobis Distance Loss for Smart Computing},
author = {Ye Gao and Brian Baucom and Karen Rose and Kristina Gordon and Hongning Wang and John Stankovic},
journal= {arXiv preprint arXiv:2201.10001},
year = {2023}
}