自适应重加权对抗域适应
计算机视觉与模式识别
2020-06-03 v2 机器学习
摘要
现有的对抗域适应方法主要考虑边缘分布，这些方法可能导致欠迁移或负迁移。为解决此问题，我们提出一种自适应重加权对抗域适应方法，试图从条件分布的角度增强域对齐。为促进正迁移并抑制负迁移，我们降低已对齐特征的对抗损失权重，同时增大由条件熵度量的对齐不良特征的对抗力。此外，利用源样本与伪标记目标样本的三元组损失被应用于混淆域。此类度量损失确保类内样本对的距离小于类间样本对的距离，以实现类级对齐。由此，在高精度伪标记目标样本与语义对齐可在协同训练过程中同时被捕获。我们的方法实现了理想源假设与目标假设的低联合误差。依据 Ben-David 定理，期望目标误差可由此给出上界。实证结果表明，所提模型在标准域适应数据集上优于现有最优方法。
引用
@article{arxiv.2006.00223,
title = {Self-adaptive Re-weighted Adversarial Domain Adaptation},
author = {Shanshan Wang and Lei Zhang},
journal= {arXiv preprint arXiv:2006.00223},
year = {2020}
}
备注
to appear in IJCAI2020