基于双自动编码器的半监督表示学习用于域适应
机器学习
2019-11-01 v4 机器学习
摘要
域适应旨在利用源域中的知识来促进目标域中的学习任务，其在现实应用中起着关键作用。近来，许多基于自动编码器的深度学习方法在域适应中取得了显著性能。然而，大多数现有方法通过将源数据和目标数据放在一起学习全局特征表示来最小化分布差异，却未考虑来自不同域的同一类别实例之间的局部关系。为解决该问题，我们提出一种新颖的通过双自动编码器进行域适应的半监督表示学习框架，称为 SSRLDA。更具体地，我们通过使用两个新颖的自动编码器同时学习全局和局部特征表示来提取更丰富的特征表示，这两个自动编码器分别称为带适应分布的边缘去噪自动编码器（MDAad）和多类边缘去噪自动编码器（MMDA）。同时，我们充分利用标签信息来优化特征表示。实验结果表明，我们提出的方法优于几种最先进的基线方法。
引用
@article{arxiv.1908.01342,
title = {Semi-supervised representation learning via dual autoencoders for domain adaptation},
author = {Shuai Yang and Hao Wang and Yuhong Zhang and Pei-Pei Li and Yi Zhu and Xuegang Hu},
journal= {arXiv preprint arXiv:1908.01342},
year = {2019}
}
备注
This paper has been accepted by the journal of KNOWLEDGE-BASED SYSTEMS (KBS) 2019