开放集域适应：理论界与算法
机器学习
2020-10-09 v2 机器学习
摘要
无监督域适应的目标是利用有标签（源）域中的知识来改善模型在無标签（目标）域上的学习性能——基本策略是减轻两分布间差异的影响。大多数现有算法只能处理无监督闭集域适应（UCSDA），即假设源域和目标域共享相同标签集。本文针对更具挑战性但更现实的设定：无监督开放集域适应（UOSDA），其中目标域含有源域中未出现的未知类。这是首项为开放集域适应提供学习界的研究，我们通过理论考察目标分类器在未知类上的风险来实现。所提出的学习界含有一特殊项，即开放集差异，其反映目标分类器在未知类上的风险。进一步，我们提出一种新颖且受理论引导的无监督开放集域适应算法，称为带开放集差异的分布对齐（DAOD），其基于对该开放集差异界的正则化。在多个基准数据集上的实验表明，所提UOSDA方法优于文献中最先进的方法。
引用
@article{arxiv.1907.08375,
title = {Open Set Domain Adaptation: Theoretical Bound and Algorithm},
author = {Zhen Fang and Jie Lu and Feng Liu and Junyu Xuan and Guangquan Zhang},
journal= {arXiv preprint arXiv:1907.08375},
year = {2020}
}
备注
This paper has been accepted by IEEE-TNNLS