MiniMax 熵网络：用于域适应的类别不变特征学习
计算机视觉与模式识别
2024-06-11 v4
摘要
如何有效地从目标域中的无标签数据学习对于域适应至关重要，因为这有助于减小由域偏移或分布变化引起的巨大性能差距。在本文中，我们提出一种基于对抗学习的、易于实现的方法，称为 MiniMax 熵网络（MMEN）。与大多数采用生成器来处理域差异的现有方法不同，MMEN 在带标签源样本的帮助下专注于从无标签目标样本学习类别信息。具体而言，我们设置一个称为类别判别器的不公平多类分类器，它能准确分类源样本但混淆目标样本的类别。生成器基于目标伪标签学习一个对齐无标签样本的公共子空间。对于 MMEN，我们还提供了理论解释，表明特征对齐的学习在类别层面上减少了域失配。在各种基准数据集上的实验结果证明了我们的方法相对于现有最先进基线的有效性。
引用
@article{arxiv.1904.09601,
title = {MiniMax Entropy Network: Learning Category-Invariant Features for Domain Adaptation},
author = {Chaofan Tao and Fengmao Lv and Lixin Duan and Min Wu},
journal= {arXiv preprint arXiv:1904.09601},
year = {2024}
}
备注
8 pages, 6 figures