MiddleGAN：为无监督域适应生成域不可知样本
计算机视觉与模式识别
2022-11-08 v1 人工智能
摘要
近年来，机器学习在不同应用领域取得了令人瞩目的成果。然而，机器学习算法在分布不同于其训练集的新域上未必表现良好。域适应（Domain Adaptation, DA）被用于缓解这一问题。现有 DA 算法的一种思路是寻找域不变特征，使其在源域中的分布与目标域中的分布相同。在本文中，我们提出让在目标域上执行最终分类任务的分类器隐式地学习不变特征以进行分类。这是通过在训练期间向分类器输入生成的、与源域和目标域样本均相似的伪样本来实现的。我们称这些生成的样本为域不可知样本。为此，我们提出了一种生成对抗网络（GAN）的新变体，称为 MiddleGAN，它使用两个判别器和一个生成器来生成与源域和目标域样本均相似的伪样本。我们推广了 GAN 的理论，证明 MiddleGAN 中两个判别器和一个生成器的参数存在最优解，并通过实验证明 MiddleGAN 生成的样本与源域样本和目标域样本均相似。我们使用 24 个基准进行了广泛评估；在这 24 个基准上，我们将 MiddleGAN 与多种最先进（state-of-the-art）算法进行比较，并在某些基准上以最高 20.1% 的优势超越最先进水平。
引用
@article{arxiv.2211.03144,
title = {MiddleGAN: Generate Domain Agnostic Samples for Unsupervised Domain Adaptation},
author = {Ye Gao and Zhendong Chu and Hongning Wang and John Stankovic},
journal= {arXiv preprint arXiv:2211.03144},
year = {2022}
}