NI-UDA:从非共享且不平衡大数据到小规模不平衡应用的图对抗域适应
计算机视觉与模式识别
2021-08-13 v2 人工智能
摘要
我们提出一种新的通用图对抗域适应(GADA),基于类结构的语义知识推理,用于解决从无共享且不平衡类的大数据到指定小规模不平衡应用的非共享不平衡无监督域适应问题(NI-UDA),其中非共享类指目标域之外的标签空间。我们的目标是利用先验层次知识通过图推理增强域对抗对齐的特征表示。本文针对 NI-UDA 中的两个挑战,为对抗域适应配备层次图推理(HGR)层和源分类器过滤器(SCF)。对于稀疏类迁移挑战,我们的 HGR 层可通过节点预测将局部特征聚合到层次图节点,并利用层次图推理为稀疏类增强域对抗对齐特征。我们的 HGR 借助层次注意力中的自注意力、非线性映射和图归一化,有助于为稀疏类学习直接语义模式。我们的 SCF 针对从无共享数据中进行知识共享且无非负迁移效应的挑战而提出,通过在 HGR 层中过滤低置信度的非共享数据实现。在两个基准数据集上的实验表明,我们的 GADA 方法持续优于最先进的对抗 UDA 算法,例如在 Meal300 数据集的不平衡源任务上,GADA(HGR) 可大幅提升 MDD 的 f1 达 \textbf{7.19\%},GVB-GD 达 \textbf{7.89\%}。代码见 https://gadatransfer.wixsite.com/gada。
引用
@article{arxiv.2108.05061,
title = {NI-UDA: Graph Adversarial Domain Adaptation from Non-shared-and-Imbalanced Big Data to Small Imbalanced Applications},
author = {Guangyi Xiao and Weiwei Xiang and Huan Liu and Hao Chen and Shun Peng and Jingzhi Guo and Zhiguo Gong},
journal= {arXiv preprint arXiv:2108.05061},
year = {2021}
}
备注
11 pages, 5 figures, and 8 tables