基于选择性对抗网络的部分迁移学习
机器学习
2017-07-26 v1
摘要
对抗学习已成功嵌入深度网络以学习可迁移特征，从而减少源域和目标域之间的分布差异。现有的域对抗网络假设跨域完全共享标签空间。在大数据存在的情况下，将分类和表示模型从现有大域迁移到未知小域有强烈动机。本文引入部分迁移学习，它将共享标签空间假设放宽为目标标签空间仅是源标签空间的子空间。先前的方法通常将整个源域匹配到目标域，这对于部分迁移问题容易导致负迁移。我们提出选择性对抗网络（SAN），它通过选出离群源类别来同时规避负迁移，并通过最大化匹配共享标签空间中的数据分布来促进正迁移。实验表明，我们的模型在多个基准数据集上的部分迁移学习任务中超越了最先进的结果。
引用
@article{arxiv.1707.07901,
title = {Partial Transfer Learning with Selective Adversarial Networks},
author = {Zhangjie Cao and Mingsheng Long and Jianmin Wang and Michael I. Jordan},
journal= {arXiv preprint arXiv:1707.07901},
year = {2017}
}