多域对抗学习
机器学习
2019-03-25 v1 机器学习
摘要
多域学习（Multi-domain learning, MDL）旨在获得一个在多个域上平均风险最小的模型。我们的经验动机来自自动化显微镜数据，其中培养细胞在已知和未知化学扰动暴露后被成像，且每个数据集显示出显著的实验偏差。本文提出一种多域对抗学习方法 MuLANN，在半监督设定下利用具有重叠但不同类别集的多个数据集。我们的贡献包括：i）利用 H-散度（H-divergence）得到 MDL 中平均域风险和最差域风险的界；ii）一种容纳半监督多域学习和域适应的新损失；iii）该方法的实验验证，在两个标准图像基准和一个新颖生物图像数据集 Cell 上优于当前最优（state of the art）。
引用
@article{arxiv.1903.09239,
title = {Multi-Domain Adversarial Learning},
author = {Alice Schoenauer-Sebag and Louise Heinrich and Marc Schoenauer and Michele Sebag and Lani F. Wu and Steve J. Altschuler},
journal= {arXiv preprint arXiv:1903.09239},
year = {2019}
}
备注
Accepted at ICLR'19