通过互信息最大化保留域私有表示
机器学习
2022-01-11 v1 计算机视觉与模式识别
摘要
无监督域适应的最新进展表明，通过提取域不变表示来缓解域差异可显著提升模型对无标签数据域的泛化能力。然而，现有方法未能有效保留仅属于缺失标签域的私有表示，这会对泛化产生不利影响。在本文中，我们提出一种保留此类表示的方法，使得无标签域的潜在分布既能表示域不变特征，也能表示无标签域私有的个体特征。具体而言，我们证明在缓解域差异的同时最大化无标签域与其潜在空间之间的互信息可实现此种保留。我们还从理论和经验上验证了保留无标签域私有表示对于跨域泛化的重要性和必要性。我们的方法在多个公开数据集上优于 SOTA 方法。
引用
@article{arxiv.2201.03102,
title = {Preserving Domain Private Representation via Mutual Information Maximization},
author = {Jiahong Chen and Jing Wang and Weipeng Lin and Kuangen Zhang and Clarence W. de Silva},
journal= {arXiv preprint arXiv:2201.03102},
year = {2022}
}