通过引导数据同质化的事后域适应
机器学习
2021-04-09 v1 人工智能
神经与进化计算
摘要
解决数据分布偏移是将深度学习模型部署到真实世界场景的重要前提。解决该问题的一种通用方法是通过迁移学习将模型调整到新域。然而，在许多情况下，这不能以事后方式应用于已部署的模型，并且进一步的参数调整会危及先前建立的安全认证。在此背景下，我们提出通过引导数据同质化来处理数据分布的变化，将适应的负担从模型转移到数据。该方法利用深度学习模型中隐含的训练数据信息来学习域转移函数。这允许在不改变模型本身的情况下将模型有针对性地部署到未知场景。我们通过在CIFAR-10和MNIST数据集上的实验展示了数据同质化的潜力。
引用
@article{arxiv.2104.03624,
title = {Post-Hoc Domain Adaptation via Guided Data Homogenization},
author = {Kurt Willis and Luis Oala},
journal= {arXiv preprint arXiv:2104.03624},
year = {2021}
}
备注
Published as a conference paper at ICLR 2021; 4 pages, plus appendix, 5 figures