无精确共享类别下的多目标无监督域适应
机器学习
2018-09-18 v2 人工智能
机器学习
摘要
无监督域适应（UDA）旨在通过迁移有标签源域的知识来学习无标签目标域。迄今为止，现有工作大多关注单源域单目标域（1S1T）场景，仅有少数工作关注多源域单目标域（mS1T）场景。据我们所知，几乎尚无工作关注单源域多目标域（1SmT）场景，其中这些无标签目标域未必共享相同类别，因此与 mS1T 相比，1SmT 更具挑战性。为此，针对这一新的 UDA 场景，我们提出了一种通过模型参数适应（PA-1SmT）的 UDA 框架。PA-1SmT 的一个关键要素是通过对公共模型参数字典的自适应学习来迁移知识，这完全不同于现有的流行 UDA 方法（如子空间对齐、分布匹配等），并且由于知识仅通过模型参数而非数据本身进行迁移，也可直接用于隐私保护下的域适应（DA）。最后，我们在三个域适应基准数据集上的实验结果证明了我们框架的优越性。
引用
@article{arxiv.1809.00852,
title = {Multi-target Unsupervised Domain Adaptation without Exactly Shared Categories},
author = {Huanhuan Yu and Menglei Hu and Songcan Chen},
journal= {arXiv preprint arXiv:1809.00852},
year = {2018}
}