度量学习辅助的领域自适应
机器学习
2020-06-12 v3 计算机视觉与模式识别
摘要
领域对齐(DA)已广泛应用于无监督领域自适应。许多现有的DA方法假设，较低源风险加上源和目标分布的对齐，意味着较低的目标风险。在本文中，我们表明这并不总是成立。因此，我们提出了一种新颖的度量学习辅助领域自适应(MLA-DA)方法，该方法采用一种新颖的三元组损失来帮助更好地进行特征对齐。我们探索了目标样本预测的第二大概率与其到决策边界距离之间的关系。基于该关系，我们提出了一种根据目标预测自适应调整三元组损失中边距的新机制。实验结果表明，使用所提出的三元组损失能取得明显更好的结果。我们还在四个标准基准上证明了MLA-DA相比最先进的无监督领域自适应方法的性能提升。此外，MLA-DA在鲁棒性实验中表现出稳定的性能。
引用
@article{arxiv.2004.10963,
title = {Metric-Learning-Assisted Domain Adaptation},
author = {Yueming Yin and Zhen Yang and Haifeng Hu and Xiaofu Wu},
journal= {arXiv preprint arXiv:2004.10963},
year = {2020}
}