几何感知的无监督域适应
机器学习
2021-12-22 v1 计算机视觉与模式识别
摘要
无监督域适应（UDA）旨在存在数据集偏移的情况下将知识从有标签的源域迁移到无标签的目标域。大多数现有方法不能很好地解决域对齐与类判别问题，这可能扭曲下游任务（如分类）的固有数据结构。为此，我们提出一种新颖的几何感知模型，通过核范数优化同时学习可迁移性与可判别性。我们从子空间几何的角度为 UDA 引入域相干性与类正交性。域相干性将确保模型具有更大的容量来学习可分离表示，而类正交性将最小化簇间相关性以缓解错对齐。因此，它们是一致的且可相互受益。此外，我们为 UDA 中基于范数学习的文献提供了理论洞见，从而确保我们模型的可解释性。我们表明，域与簇的范数分别预期更大与更小，以分别增强可迁移性与可判别性。在标准 UDA 数据集上的大量实验结果证明了我们的理论与模型的有效性。
引用
@article{arxiv.2112.11041,
title = {Geometry-Aware Unsupervised Domain Adaptation},
author = {You-Wei Luo and Chuan-Xian Ren and Zi-Ying Chen},
journal= {arXiv preprint arXiv:2112.11041},
year = {2021}
}