提升无监督域适应的模型泛化性
机器学习
2022-09-30 v1 计算机视觉与模式识别
摘要
解决无监督域适应（UDA）的一种主导方法是将源域和目标域的数据点映射到一个嵌入空间，该空间被建模为共享深度编码器的输出空间。编码器被训练为使嵌入空间域不可知，以使源域训练的 classifier 在目标域上可泛化。进一步提升 UDA 性能的辅助机制是使源域分布更紧凑以改进模型泛化性。我们证明，在嵌入空间中增大类间间隔有助于开发性能改进的 UDA 算法。我们估计源域内部学习的多模态分布（作为预训练结果学习得到），并利用它增大源域中的类间分离以减轻域偏移的影响。我们证明，使用我们的方法在标准基准 UDA 图像分类数据集上提升了模型泛化性，并且优于现有方法。
引用
@article{arxiv.2209.14644,
title = {Increasing Model Generalizability for Unsupervised Domain Adaptation},
author = {Mohammad Rostami},
journal= {arXiv preprint arXiv:2209.14644},
year = {2022}
}
备注
Presented 2022 Conference on Lifelong Learning Agents