带增强锚点的标签传播：一种用于无监督域适应的简单半监督学习基线
机器学习
2020-07-16 v1 机器学习
摘要
受无监督域适应（UDA）与半监督学习（SSL）之间问题相关性的启发，许多最先进的UDA方法采用SSL原则（例如聚类假设）作为其学习要素。然而，它们往往忽视了UDA本身的域偏移特性。在本工作中，我们进一步研究将SSL技术恰当地扩展用于UDA。以标签传播（LP）算法为例，我们分析了将LP应用于UDA的挑战，并从理论上分析了亲和图/矩阵构建的条件，以实现真实标签向未标记样本更好的传播。我们的分析提出了一种新的带增强锚点的标签传播（ALP）算法，其可通过生成具有高置信度标签预测的未标记虚拟样本（即增强锚点）来潜在地改进LP。为使所提出的ALP对UDA有用，我们提出了生成此类虚拟样本的实证方案。这些方案还通过交替进行基于ALP的伪标注和域不变特征学习，解决了UDA的域偏移挑战。实验表明，这种简单的SSL扩展优于具有代表性的域不变特征学习UDA方法，并能够增强两个在基准UDA数据集上的最先进方法的性能。我们的结果展示了进一步研究用于UDA问题的SSL技术的价值。
引用
@article{arxiv.2007.07695,
title = {Label Propagation with Augmented Anchors: A Simple Semi-Supervised Learning baseline for Unsupervised Domain Adaptation},
author = {Yabin Zhang and Bin Deng and Kui Jia and Lei Zhang},
journal= {arXiv preprint arXiv:2007.07695},
year = {2020}
}
备注
ECCV2020 spotlight. Investigating SSL techniques for UDA. Codes are available at https://github.com/YBZh/Label-Propagation-with-Augmented-Anchors