GearNet：用于弱监督域适应的逐步对偶学习
机器学习
2022-01-26 v2
摘要
本文研究弱监督域适应（WSDA）问题，其中我们只能访问带有噪声标签的源域，并需要从中将有用信息迁移到无标签的目标域。尽管已有一些关于该问题的研究，但其中大多数仅利用了从源域到目标域的单向关系。本文中，我们提出一种称为 GearNet 的通用范式，以利用两域之间的双向关系。具体而言，我们将两域作为不同输入交替训练两个模型，并使用非对称 Kullback-Leibler 损失在同一域内选择性地匹配两个模型的预测。这种交互式学习模式实现了隐式标签噪声消除，并利用了源域与目标域之间的相关性。因此，我们的 GearNet 极有潜力提升多种现有 WSDL 方法的性能。综合实验结果表明，配备我们的 GearNet 后，现有方法的性能可得到显著提升。
引用
@article{arxiv.2201.06001,
title = {GearNet: Stepwise Dual Learning for Weakly Supervised Domain Adaptation},
author = {Renchunzi Xie and Hongxin Wei and Lei Feng and Bo An},
journal= {arXiv preprint arXiv:2201.06001},
year = {2022}
}
备注
Accepted by AAAI 2022