面向多源与半监督域适应的在线元学习
计算机视觉与模式识别
2020-07-28 v2 机器学习
摘要
域适应（DA）是一个热点问题，旨在使在带标签源数据集上训练的模型能在仅有无标签或部分标签数据的目标数据集上表现良好。已有许多方法通过最小化源与目标数据集间域偏移的不同方式来应对该问题。本文采取正交视角，提出一种通过元学习现有 DA 算法的初始条件来进一步提升性能的框架。相较于被广泛关注的少样本元学习设定，由于所涉及计算图的长度，这是具有挑战性的。因此我们提出一种在线最短路径元学习框架，该框架在计算上可行且对提升 DA 性能切实有效。我们给出了面向多源无监督域适应（MSDA）和半监督域适应（SSDA）的变体。重要的是，我们的方法独立于基础适应算法，可应用于改进多种技术。实验上，我们在 MSDA 和 SSDA 的经典（DANN）与近期（MCD 和 MME）技术上均展示了提升，并最终在包括最大规模 DomainNet 在内的多个 DA 基准上取得当前最优结果。
引用
@article{arxiv.2004.04398,
title = {Online Meta-Learning for Multi-Source and Semi-Supervised Domain Adaptation},
author = {Da Li and Timothy Hospedales},
journal= {arXiv preprint arXiv:2004.04398},
year = {2020}
}
备注
ECCV 2020 CR version