注意类权重偏置：用于无监督域适应的加权最大均值差异
计算机视觉与模式识别
2017-05-02 v1
摘要
在域适应中，最大均值差异 (MMD) 已被广泛采用作为源域和目标域分布之间的差异度量。然而，现有的基于 MMD 的域适应方法通常忽略类先验分布的变化，即跨域的类权重偏置。这仍然是一个开放问题但对域适应无处不在，其可能由样本选择标准和应用场景的变化引起。我们表明 MMD 不能解释类权重偏置并导致域适应性能下降。为解决此问题，本文提出了一种加权 MMD 模型。具体而言，我们在原始 MMD 中引入类特定的辅助权重以利用源域和目标域上的类先验概率，其挑战在于目标域中的类标签不可用。为此，我们提出的加权 MMD 模型通过为源域中的每个类引入一个辅助权重来定义，并且通过交替执行分配伪标签、估计辅助权重和更新模型参数，给出了一种分类 EM 算法。大量实验证明了我们的加权 MMD 相对于常规 MMD 在域适应上的优越性。
引用
@article{arxiv.1705.00609,
title = {Mind the Class Weight Bias: Weighted Maximum Mean Discrepancy for Unsupervised Domain Adaptation},
author = {Hongliang Yan and Yukang Ding and Peihua Li and Qilong Wang and Yong Xu and Wangmeng Zuo},
journal= {arXiv preprint arXiv:1705.00609},
year = {2017}
}
备注
10 pages, 5 figures, accepted by CVPR17