基于生成流网络的广义通用域适应
计算机视觉与模式识别
2023-08-31 v2
摘要
我们提出无监督域适应中的一个新问题，称为广义通用域适应（GUDA），旨在精确预测所有目标标签，包括未知类别。GUDA 弥合了基于标签分布偏移与基于标签空间失配的变体之间的鸿沟，本质上将其归为统一问题，引导出彻底解决所有变体的综合框架。GUDA 的关键挑战是在估计目标标签分布的同时开发并识别新颖目标类别。为解决此问题，我们利用生成流网络的强大探索能力，提出一种名为 GFlowDA 的主动域适应算法，其以正比于奖励函数的概率选择多样化样本。为增强探索能力并有效感知目标标签分布，我们定制了状态与奖励，并引入了用于父节点探索与状态转移的高效解。我们还提出一种用于 GUDA 的训练范式，称为广义通用对抗网络（GUAN），其涉及 GUAN 与 GFlowNet 之间的协同优化。理论分析凸显了探索的重要性，在基准数据集上的大量实验证明了 GFlowDA 的优越性。
引用
@article{arxiv.2305.04466,
title = {Generalized Universal Domain Adaptation with Generative Flow Networks},
author = {Didi Zhu and Yinchuan Li and Yunfeng Shao and Jianye Hao and Fei Wu and Kun Kuang and Jun Xiao and Chao Wu},
journal= {arXiv preprint arXiv:2305.04466},
year = {2023}
}