LRS-DAG：具有跨域泛化能力的低资源监督域适应
机器学习
2019-11-18 v2 计算机视觉与模式识别
机器学习
摘要
当前域适应（Domain Adaptation）的最优方法采用对抗式途径，使训练成为一项挑战。现有的非对抗方法学习源域与目标域之间的映射，以取得合理性能。然而，即便这些方法也未关注一个关键方面：即使在目标域上优化后，仍保持源域上的性能。此外，低资源监督域适应方面的方法极少。本文提出一种方法 LRS-DAG，旨在解决该领域当前的这些问题。通过添加一组将目标域映射到源域的“编码器层”，且在处理源数据时可移除这些层，模型学会在两域上均最优执行。LRS-DAG 的独特之处在于，它是一种用于低资源域适应且保持源域性能的新算法，并引入了用于学习域间映射的新度量。我们表明，在 FCNs 情形下，当从 MNIST 迁移到 SVHN 时，LRS-DAG 性能可与微调相媲美，且具备保持源域性能的优势。当迁移到与 MNIST 相似的合成数据集时（该设定更能代表低资源监督域适应），LRS-DAG 优于微调。
引用
@article{arxiv.1909.06718,
title = {LRS-DAG: Low Resource Supervised Domain Adaptation with Generalization Across Domains},
author = {Rheeya Uppaal},
journal= {arXiv preprint arXiv:1909.06718},
year = {2019}
}
备注
10 pages, 3 figures. Accepted to NewInML Workshop at NeurIPS, 2019