无监督域适应中标签分布漂移的挖掘
计算机视觉与模式识别
2023-10-10 v3
摘要
无监督域适应旨在将任务相关知识从有标注的源域迁移至无标注的目标域。尽管已作出巨大努力以最小化域差异，现有多数方法仅通过对齐不同域的特征表示取得部分成效。除数据分布的不一致外，源域与目标域标签分布之间的鸿沟——被称为标签分布漂移——是引发域差异的另一关键因素，且尚未得到充分探索。基于此视角，我们首先揭示了标签分布漂移如何带来负面影响。接着，我们提出标签分布匹配域对抗网络(Label distribution Matching Domain Adversarial Network, LMDAN)，以联合处理数据分布偏移与标签分布漂移。在LMDAN中，标签分布漂移通过一种源样本加权策略来解决，该策略筛选有助于正向适应的样本，并避免由不匹配样本带来的不利影响。实验表明，在显著标签分布漂移下LMDAN具有优越性能。
引用
@article{arxiv.2006.09565,
title = {Mining Label Distribution Drift in Unsupervised Domain Adaptation},
author = {Peizhao Li and Zhengming Ding and Hongfu Liu},
journal= {arXiv preprint arXiv:2006.09565},
year = {2023}
}
备注
Accepted to AJCAI'23