面向多源域适应的图模型建模
计算机视觉与模式识别
2022-06-16 v2
摘要
多源域适应（MSDA）致力于将知识从多个源域迁移到目标域，相较于传统的单源域适应，这是一个更具实用性也更具挑战性的问题。在该问题中，联合建模多个源域与目标域至关重要，同时高度需要一种有效的域组合方案。不同域之间的图结构有助于应对这些挑战，其中各类实例/类别间的相互依赖可被有效建模。本工作中，我们提出两类图模型，即面向多源域适应的条件随机场（CRF-MSDA）与面向多源域适应的马尔可夫随机场（MRF-MSDA），用于跨域联合建模与可学习的域组合。简言之，给定一个由查询样本与各域上的语义原型（即代表性类别嵌入）组成的观测集，CRF-MSDA 模型旨在学习以观测为条件的标签联合分布。我们通过在所有观测上构建关系图并对其进行局部消息传递来实现这一目标。相比之下，MRF-MSDA 旨在通过基于能量的形式在不同马尔可夫网络上对观测的联合分布进行建模，并且它可以通过对若干特定网络上的联合似然求和来自然地进行标签预测。与 CRF-MSDA 对应模型相比，MRF-MSDA 模型更具表达力且计算代价更低。我们在四个具有不同域偏移与数据复杂度的 MSDA 标准基准数据集上评估了这两个模型，两个模型在所有基准上均取得了优于现有方法的性能。此外，分析研究阐明了不同模型组件的作用，并提供了关于跨域联合建模如何运作的见解。
引用
@article{arxiv.2104.13057,
title = {Graphical Modeling for Multi-Source Domain Adaptation},
author = {Minghao Xu and Hang Wang and Bingbing Ni},
journal= {arXiv preprint arXiv:2104.13057},
year = {2022}
}
备注
Accepted by TPAMI. Code is available at https://github.com/Francis0625/Graphical-Modeling-for-Multi-Source-Domain-Adaptation