让 UDA 中的 U 发挥作用：无监督域适应的不变一致性学习
机器学习
2023-12-05 v2
摘要
域适应（DA）始终面临域不变特征（如类别身份）与域特定特征（如环境）之间的伪相关挑战，该相关无法泛化至目标域。不幸的是，即便辅以额外的无监督目标域，现有无监督域适应（UDA）方法仍受其困扰。这是因为源域监督仅将目标域样本视为辅助数据（例如通过伪标签），而目标域中固有的分布——有价值的去相关线索隐藏于此——被忽视。我们提议通过赋予两个域平等地位来让 UDA 中的 U 发挥作用。具体而言，我们学习一个不变分类器，其预测同时与源域中的标签及目标域中的簇一致，从而移除在目标域中不一致的伪相关。我们将该方法称为“不变一致性学习”（ICON）。大量实验表明，ICON 在经典 UDA 基准 Office-Home 与 VisDA-2017 上达到最先进性能，并在具挑战性的 WILDS 2.0 基准上超越所有常规方法。代码见 https://github.com/yue-zhongqi/ICON。
引用
@article{arxiv.2309.12742,
title = {Make the U in UDA Matter: Invariant Consistency Learning for Unsupervised Domain Adaptation},
author = {Zhongqi Yue and Hanwang Zhang and Qianru Sun},
journal= {arXiv preprint arXiv:2309.12742},
year = {2023}
}
备注
Accepted by NeurIPS 2023