从互补标签源域学习：理论与算法
机器学习
2021-03-05 v1 机器学习
摘要
在无监督域适应（UDA）中，目标域的分类器利用来自源域的大量真标签数据与来自目标域的无标签数据进行训练。然而，在源域中收集完全真标签数据的成本很高，有时甚至不可能。与真标签相比，互补标签指定了样本不属于的类别，因此收集互补标签比收集真标签更省力。因此，本文提出了一种新颖的设置，即源域由互补标签数据组成，并首次证明了其理论界。我们考虑该设置下的两种情况：一种是源域仅包含互补标签数据（完全互补无监督域适应，CC-UDA），另一种是源域拥有大量互补标签数据和少量真标签数据（部分互补无监督域适应，PC-UDA）。为此，提出一种互补标签对抗网络（CLARINET）来解决 CC-UDA 和 PC-UDA 问题。CLARINET 同时维护两个深度网络，其中一个专注于分类互补标签源数据，另一个负责源到目标分布的适应。实验表明，在手写数字识别和物体识别任务上，CLARINET 显著优于一系列有竞争力的基线方法。
引用
@article{arxiv.2008.01454,
title = {Learning from a Complementary-label Source Domain: Theory and Algorithms},
author = {Yiyang Zhang and Feng Liu and Zhen Fang and Bo Yuan and Guangquan Zhang and Jie Lu},
journal= {arXiv preprint arXiv:2008.01454},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2007.14612