面向对抗域适应的鲁棒局部保持与全局对齐网络
计算机视觉与模式识别
2022-03-09 v1
摘要
无监督域适应（UDA）在训练期间需要带有干净真实标签的源域样本。准确标注大量源域样本耗时费力。一种替代方案是利用带噪声标签的样本进行训练。然而，使用噪声标签训练会大幅降低 UDA 的性能。本文中，我们解决仅能使用噪声标签学习 UDA 模型的问题，并提出一种称为鲁棒局部保持与全局对齐网络（RLPGA）的新方法。RLPGA 从两方面提升对标签噪声的鲁棒性。其一是通过基于鲁棒信息论的损失函数学习分类器。其二是通过所提出的局部保持模块构建两个邻接权重矩阵与两个负权重矩阵，以保留输入数据的局部拓扑结构。我们对所提 RLPGA 的鲁棒性进行了理论分析，并证明基于鲁棒信息论的损失与局部保持模块有助于降低目标域的经验风险。一系列实证研究表明了我们提出的 RLPGA 的有效性。
引用
@article{arxiv.2203.04156,
title = {Robust Local Preserving and Global Aligning Network for Adversarial Domain Adaptation},
author = {Wenwen Qiang and Jiangmeng Li and Changwen Zheng and Bing Su and Hui Xiong},
journal= {arXiv preprint arXiv:2203.04156},
year = {2022}
}
备注
Accepted by IEEE Transactions on Knowledge and Data Engineering (TKDE) 2022; Refer to https://ieeexplore.ieee.org/document/9540279