神经网络的增量式无监督域对抗训练
机器学习
2022-05-12 v1 计算机视觉与模式识别
机器学习
摘要
在有监督统计学习的背景下，通常假设训练集与抽取测试样本的分布相同。当情况并非如此时，所学模型的行为不可预测，并依赖于训练集分布与测试集分布之间的相似程度。研究此场景的一个课题被称为域适应。深度神经网络在模式识别中带来了巨大进展，因此已有许多尝试为这些模型提供良好的域适应算法。此处我们采取不同路径，从增量视角处理该问题，即模型迭代地适应新域。我们利用现有的无监督域适应算法来识别对其真实标签具有较高置信度的目标样本。以不同方式分析模型输出以确定候选样本。所选集合随后通过将以网络给出的标签作为真值加入源训练集，并重复该过程直到所有目标样本被标记。我们的结果表明，在多个数据集上相对于非增量情形有清晰改进，并且优于其他最先进的域适应算法。
引用
@article{arxiv.2001.04129,
title = {Incremental Unsupervised Domain-Adversarial Training of Neural Networks},
author = {Antonio-Javier Gallego and Jorge Calvo-Zaragoza and Robert B. Fisher},
journal= {arXiv preprint arXiv:2001.04129},
year = {2022}
}
备注
26 pages, 7 figures