基于生成模型的噪声鲁棒训练用于无监督域适应
计算机视觉与模式识别
2023-03-13 v1
摘要
目标域伪标注已在无监督域适应（UDA）中展现出有效性。然而，由于源域与目标域间的分布偏移，未标注目标域数据的伪标签不可避免地含有噪声。本文提出一种基于生成模型的噪声鲁棒训练方法（GeNRT），其在消除域偏移的同时缓解标签噪声。GeNRT结合了基于类分布生成模型建模的基于分布的类级特征增强（D-CFA）与生成-判别分类器一致性（GDC）。D-CFA通过用分布采样得到的目标特征增强源数据来最小化域差距，并利用生成模型中的目标域知识训练噪声鲁棒判别分类器。GDC将所有类级生成模型视为生成分类器，并强制生成与判别分类器间的一致性正则化。其利用来自所有生成模型的目标知识集成来训练噪声鲁棒判别分类器，并最终在理论上关联至Ben-David域适应定理以减小域差距。在Office-Home、PACS和Digit-Five上的大量实验表明，我们的GeNRT在单源与多源UDA设定下取得了与最先进方法相当的性能。
引用
@article{arxiv.2303.05734,
title = {Generative Model Based Noise Robust Training for Unsupervised Domain Adaptation},
author = {Zhongying Deng and Da Li and Junjun He and Yi-Zhe Song and Tao Xiang},
journal= {arXiv preprint arXiv:2303.05734},
year = {2023}
}