学习可迁移的概念原型用于可解释无监督域适应
机器学习
2023-10-13 v1 计算机视觉与模式识别
摘要
尽管基于深度神经网络的无监督域适应（UDA）已取得巨大进展，当前UDA模型不透明且无法提供可信解释，限制了其在需要安全可控模型决策场景中的应用。目前，大量工作聚焦于设计具有充足数据标注的深度可解释方法，仅少数方法考虑分布偏移问题。多数现有可解释UDA方法为事后型，无法促进模型学习过程以提升性能。本文提出一种内在可解释方法，称为可迁移概念原型学习（TCPL），其可同时解释并改进UDA中的知识迁移与决策过程。为实现此目标，我们设计了一个分层原型模块，将类别基础概念从源域迁移至目标域，并学习域共享原型以解释底层推理过程。借助所学可迁移原型，设计了一种融合置信度、预测与原型信息的自预测一致伪标签策略，用于筛选合适目标样本进行伪标注并逐步缩小域间隙。综合实验表明，所提方法不仅能提供有效直观的解释，还可超越以往最先进水平。
引用
@article{arxiv.2310.08071,
title = {Learning Transferable Conceptual Prototypes for Interpretable Unsupervised Domain Adaptation},
author = {Junyu Gao and Xinhong Ma and Changsheng Xu},
journal= {arXiv preprint arXiv:2310.08071},
year = {2023}
}
备注
Submitted to IEEE TIP