半监督域自适应结构学习
计算机视觉与模式识别
2022-12-07 v1 人工智能
机器学习
摘要
半监督域自适应（SSDA）是一个极具挑战性的问题，要求方法同时克服 1）对弱标注数据的过拟合以及 2）跨域分布偏移。遗憾的是，域自适应（DA）与半监督学习（SSL）方法的简单组合常因训练数据偏向有标签样本而无法应对这两个目标。本文提出一种自适应结构学习方法，以正则化 SSL 与 DA 的协作。受多视图学习启发，我们所提框架由共享特征编码器网络与两个目的相悖的分类器网络组成：其中一个分类器用于 grouping 目标特征以提升类内密度，扩大类别簇间距以实现鲁棒表示学习；另一个分类器作为正则化器，试图分散源特征以增强决策边界平滑性。目标聚类与源扩展的迭代使目标特征被良好包裹于对应源点扩张的边界内。为联合解决跨域特征对齐与部分有标签数据学习，我们采用最大均值差异（MMD）距离最小化与自训练（ST）将相悖结构投影至共享视图以得出可靠最终决策。在 DomainNet 与 Office-home 等标准 SSDA 基准上的实验表明，相较最优方法，我们的方法兼具准确性与鲁棒性。
引用
@article{arxiv.2112.06161,
title = {Semi-supervised Domain Adaptive Structure Learning},
author = {Can Qin and Lichen Wang and Qianqian Ma and Yu Yin and Huan Wang and Yun Fu},
journal= {arXiv preprint arXiv:2112.06161},
year = {2022}
}