Fisher 深度域适应
机器学习
2020-03-13 v1 机器学习
摘要
深度域适应模型通过利用来自有标签源域的知识，在无标签目标域中学习神经网络。这可以通过学习域不变特征空间来实现。尽管所学表征在源域中可分离，它们通常具有较大方差，且带有不同类标签的样本在目标域中趋于重叠，从而导致次优的适应性能。为弥补这一不足，本文提出一种 Fisher 损失，用于学习类内紧凑、类间可分离的判别性表征。在两个基准数据集上的实验结果表明，Fisher 损失是一种通用且有效的深度域适应损失。当它与广泛采用的迁移准则（包括 MMD、CORAL 和域对抗损失）结合使用时，带来了显著的性能提升。例如，在 Office-Home 数据集上，Fisher 损失与域对抗损失结合使用时，平均准确率获得了 6.67% 的绝对提升。
引用
@article{arxiv.2003.05636,
title = {Fisher Deep Domain Adaptation},
author = {Yinghua Zhang and Yu Zhang and Ying Wei and Kun Bai and Yangqiu Song and Qiang Yang},
journal= {arXiv preprint arXiv:2003.05636},
year = {2020}
}