无索引中间域的渐进式域适应
计算机视觉与模式识别
2022-07-12 v1 人工智能
机器学习
摘要
当源域与目标域之间存在较大差异时，无监督域适应的有效性会下降。渐进式域适应（GDA）通过利用从源域逐渐转移到目标域的额外无标签数据，是缓解该问题的一种有前景的方法。通过沿“已索引”的中间域顺序适配模型，GDA 显著提升了整体适应性能。然而在实践中，额外的无标签数据可能未被划分为中间域且未正确索引，这限制了 GDA 的适用性。本文研究在中间域序列不可用时如何发现该序列。具体而言，我们提出一种由粗到细的框架，首先通过渐进式域判别器训练进行粗粒度域发现。该粗粒度域序列随后经由一种新颖的循环一致性损失进行精细索引，该损失鼓励下一个中间域保留当前中间域足够的判别性知识。所得域序列随后可被 GDA 算法使用。在 GDA 基准数据集上，我们表明我们的方法（命名为 Intermediate DOmain Labeler (IDOL)）相比预定义域序列可取得相当甚至更优的适应性能，使 GDA 对域序列质量更具适用性与鲁棒性。代码见 https://github.com/hongyouc/IDOL。
引用
@article{arxiv.2207.04587,
title = {Gradual Domain Adaptation without Indexed Intermediate Domains},
author = {Hong-You Chen and Wei-Lun Chao},
journal= {arXiv preprint arXiv:2207.04587},
year = {2022}
}
备注
Accepted to NeurIPS 2021