从不同样本学习：一种用于半监督域适应的无源框架
计算机视觉与模式识别
2024-11-12 v1
摘要
半监督域适应（SSDA）因其能够利用少量目标标记数据来提升模型的泛化能力而受到广泛研究。然而，现有方法仅考虑为目标样本设计特定策略，忽略了对不同目标样本的定制化学习探索。当模型遇到复杂的目标分布时，现有方法由于无法清晰全面地学习多种类型目标样本的知识而表现有限。为填补这一空白，本文聚焦于设计一种框架，使用不同策略全面挖掘不同目标样本。我们提出了一种新颖的无源框架（SOUF），用于在目标域上对源预训练模型进行半监督微调。与现有SSDA方法不同，SOUF从不同目标样本的角度解耦SSDA，分别为无标记、可靠标记和噪声伪标记目标样本设计鲁棒学习技术。对于无标记目标样本，基于概率的加权对比学习（PWC）帮助模型学习更具判别性的特征表示。为挖掘标记目标样本的潜在知识，基于可靠性的混合对比学习（RMC）从构建的可靠样本集中学习复杂知识。最后，预测正则化学习（PR）进一步缓解噪声伪标记样本对模型的误导效应。在基准数据集上的大量实验证明了我们框架优于最先进方法。
引用
@article{arxiv.2411.06665,
title = {Learning from Different Samples: A Source-free Framework for Semi-supervised Domain Adaptation},
author = {Xinyang Huang and Chuang Zhu and Bowen Zhang and Shanghang Zhang},
journal= {arXiv preprint arXiv:2411.06665},
year = {2024}
}