无监督域适应中的熵最小化与多样性最大化
机器学习
2020-02-06 v1 计算机视觉与模式识别
机器学习
摘要
熵最小化已广泛用于无监督域适应 (UDA)。然而，已有工作表明仅熵最小化可能导致崩溃的平凡解。本文提出通过进一步引入多样性最大化来避免平凡解。为实现 UDA 可能的最小目标风险，我们表明多样性最大化应与熵最小化精心平衡，其程度可利用深度嵌入验证以无监督方式精细控制。所提出的极小熵多样性最大化 (MEDM) 可直接通过随机梯度下降实现，无需使用对抗学习。实证表明 MEDM 在四个流行域适应数据集上优于最先进 (SOTA) 方法。
引用
@article{arxiv.2002.01690,
title = {Entropy Minimization vs. Diversity Maximization for Domain Adaptation},
author = {Xiaofu Wu and Suofei hang and Quan Zhou and Zhen Yang and Chunming Zhao and Longin Jan Latecki},
journal= {arXiv preprint arXiv:2002.01690},
year = {2020}
}
备注
submitted to IEEE T-IP