M-ADDA：基于深度度量学习的无监督域适应
机器学习
2018-07-10 v1 机器学习
摘要
无监督域适应技术已在监督标签有限的广泛问题中取得成功。其任务是通过利用来自略微相似分布的带标签“源”数据集，对未带标签的“目标”数据集进行分类。我们提出了基于度量的对抗判别域适应(M-ADDA)，它执行两个主要步骤。首先，它使用度量学习方法，通过优化三元组损失函数在源数据集上训练源模型。这产生了这样的聚类：相同标签的嵌入彼此接近，不同标签的嵌入彼此远离。接下来，它使用对抗方法（如ADDA \cite{2017arXiv170205464T}中所用）使从源和目标数据集中提取的特征不可区分。同时，我们优化一个新的损失函数，鼓励目标数据集的嵌入形成聚类。尽管ADDA和M-ADDA使用相似架构，我们表明M-ADDA在MNIST和USPS的数字适应数据集上表现显著更好。这表明将度量学习用于域适应可带来域适应任务分类准确率的巨大提升。代码见 \url{https://github.com/IssamLaradji/M-ADDA}。
引用
@article{arxiv.1807.02552,
title = {M-ADDA: Unsupervised Domain Adaptation with Deep Metric Learning},
author = {Issam Laradji and Reza Babanezhad},
journal= {arXiv preprint arXiv:1807.02552},
year = {2018}
}