基于类条件分布对齐学习域不变嵌入的无监督域适应方法
机器学习
2019-09-25 v2 机器学习
摘要
我们通过学习一个跨域不可知的嵌入空间来解决无监督域适应(UDA)问题，该空间中两个源域与目标域视觉域的概率分布之间的距离被最小化。我们利用共享跨域深度编码器的输出空间来建模嵌入空间，并使用切片 Wasserstein 距离(SWD)来度量并最小化两个源域与目标域的嵌入分布之间的距离，以强制嵌入具有域不可知性。此外，我们利用源域标注数据从嵌入空间到标签空间训练一个深度分类器，以强制嵌入空间具有判别性。作为该训练方案的结果，我们提供了一种在源域上训练深度分类网络的有效方案，使其能在仅可获取无标签训练数据的目标域上良好泛化。为缓解类匹配的挑战，我们还通过使用目标域的高置信度伪标签（即赋予源分类器具有较高预测概率的类别）来在嵌入空间中对齐相应类别。我们在 UDA 基准任务上给出实验结果，表明我们的方法有效并达到了最先进的性能。
引用
@article{arxiv.1907.02271,
title = {Learning a Domain-Invariant Embedding for Unsupervised Domain Adaptation Using Class-Conditioned Distribution Alignment},
author = {Alex Gabourie and Mohammad Rostami and Philip Pope and Soheil Kolouri and Kyungnam Kim},
journal= {arXiv preprint arXiv:1907.02271},
year = {2019}
}