干预式域适应
机器学习
2020-11-10 v1 计算机视觉与模式识别
机器学习
摘要
域适应 (DA) 旨在将源域学到的判别性特征迁移到目标域。大多数 DA 方法侧重于通过域不变性学习增强特征可迁移性。然而，源域学到的判别性本身可能因虚假相关性而偏向且不安全可迁移，即部分源域特定特征与类别标签相关。我们发现标准域不变性学习受此类相关性影响，并错误地迁移了源域特定特征。为解决此问题，我们利用无标签目标数据干预特征判别性的学习，引导其摆脱域特定部分并安全可迁移。具体而言，我们通过一种新颖的特征干预策略生成区分域特定部分与域可共享部分的反事实特征。为防止域特定部分的残留，特征判别性被训练为对反事实特征的域特定部分中的变异保持不变。在典型的 一对一 无监督域适应和具有挑战性的域不可知适应任务上实验，我们的方法相较最先进方法的一致性能提升验证了所学判别性特征更安全可迁移且能很好地泛化到新域。
引用
@article{arxiv.2011.03737,
title = {Interventional Domain Adaptation},
author = {Jun Wen and Changjian Shui and Kun Kuang and Junsong Yuan and Zenan Huang and Zhefeng Gong and Nenggan Zheng},
journal= {arXiv preprint arXiv:2011.03737},
year = {2020}
}