论无监督域适配中核范数最大化的均衡性
计算机视觉与模式识别
2022-04-13 v1
摘要
核范数最大化已在经验层面上展现出增强无监督域适配模型（UDA）可迁移性的能力。本文中，我们识别出一种称为均衡性（equity）的新性质，其表征预测类别的平衡程度，从而从理论上揭示核范数最大化对 UDA 起效的机理。基于此，我们提出了一种建立在平方损失之上的可判别性与均衡性最大化新范式，使得预测被显式地均衡化。为验证其可行性与灵活性，我们提出两类新损失：类加权平方最大化（CWSM）与归一化平方最大化（NSM），分别从类层面与样本层面最大化预测可判别性与均衡性。重要的是，我们在温和条件下将这两种新损失（即 CWSM 与 NSM）与均衡性最大化建立了理论联系，并从经验上指出了预测均衡性在 UDA 中的重要性。此外，在这两种损失中实现均衡约束非常高效。在三个流行基准数据集上的跨域图像分类实验表明，CWSM 与 NSM 均有助于超越相应的对照方法。
引用
@article{arxiv.2204.05596,
title = {On the Equity of Nuclear Norm Maximization in Unsupervised Domain Adaptation},
author = {Wenju Zhang and Xiang Zhang and Qing Liao and Long Lan and Mengzhu Wang and Wei Wang and Baoyun Peng and Zhengming Ding},
journal= {arXiv preprint arXiv:2204.05596},
year = {2022}
}