基于条件加权对抗网络的多源异构域自适应
机器学习
2021-09-14 v2 机器学习
摘要
异构域自适应（HDA）致力于学习具有不同概率分布和特征表示的跨域样本。现有 HDA 研究大多聚焦于单源场景。然而在现实中，从多个异构域获取样本并不罕见。本文研究多源 HDA 问题，并提出一种条件加权对抗网络（CWAN）来解决该问题。所提出的 CWAN 通过对抗方式学习一个特征变换器、一个标签分类器和一个域判别器。为量化不同源域的重要性，CWAN 引入一种精细的条件加权方案，根据源域与目标域之间的条件分布散度计算源域权重。与现有加权方案不同，所提出的条件加权方案不仅对源域进行加权，还在优化过程中隐式对齐条件分布。实验结果清楚地表明，所提出的 CWAN 在四个真实世界数据集上的表现远优于几种 state-of-the-art 方法。
引用
@article{arxiv.2008.02714,
title = {Multi-source Heterogeneous Domain Adaptation with Conditional Weighting Adversarial Network},
author = {Yuan Yao and Xutao Li and Yu Zhang and Yunming Ye},
journal= {arXiv preprint arXiv:2008.02714},
year = {2021}
}
备注
Accepted by TNNLS 2021