正-无标签域适应
机器学习
2022-02-14 v1
摘要
域适应方法已被证明能有效地从有标签的源域泛化到标签稀缺的目标域。先前的研究要么聚焦于无任何目标监督的无标签域适应，要么聚焦于每类仅有少量有标签目标样本的半监督域适应。另一方面，正-无标签（PU-）学习在弱监督学习文献中引起了越来越多的兴趣，因为在不少真实世界应用中，正标签比负标签更容易获得。在本文中，我们首次提出正-无标签域适应的挑战，旨在从完全有标签的源域泛化到仅提供正类和无标签数据的目标域。我们提出一种新颖的两步学习方法来解决该问题：首先，在源域标签和正-无标签风险估计器的引导下，在目标域中识别可靠的正类和负类伪标签；这使得我们能在第二步中对目标域使用标准分类器。我们通过在视觉对象识别的基准数据集上运行实验验证了我们的方法。此外，我们为我们的设定提出了真实世界示例，并在停车占用数据上验证了我们的优越性能。
引用
@article{arxiv.2202.05695,
title = {Positive-Unlabeled Domain Adaptation},
author = {Jonas Sonntag and Gunnar Behrens and Lars Schmidt-Thieme},
journal= {arXiv preprint arXiv:2202.05695},
year = {2022}
}