通过对 $\mathcal{H} \Delta \mathcal{H}$-散度的对抗攻击实现多步域适应
机器学习
2022-07-20 v1 密码学与安全
计算机视觉与模式识别
摘要
对抗样本在不同模型之间具有可迁移性。在本文中，我们提出利用这一特性进行多步域适应。在无监督域适应设定下，我们证明用针对 -散度的对抗样本替换源域，可以提升源分类器在目标域上的准确率。我们的方法可以与大多数域适应技术相结合。我们进行了一系列实验，并在 Digits 和 Office-Home 数据集上取得了准确率的提升。
引用
@article{arxiv.2207.08948,
title = {Multi-step domain adaptation by adversarial attack to $\mathcal{H} \Delta \mathcal{H}$-divergence},
author = {Arip Asadulaev and Alexander Panfilov and Andrey Filchenkov},
journal= {arXiv preprint arXiv:2207.08948},
year = {2022}
}