半监督迁移提升 (SS-TrBoosting)
计算机视觉与模式识别
2024-12-05 v1 机器学习
摘要
半监督域适应 (SSDA) 旨在使用少量标记目标数据、大量无标记目标数据以及大量来自源域的辅助数据, 为目标域训练高性能模型. 先前的 SSDA 工作主要聚焦于跨域学习可迁移的表征. 然而, 找到一种使源域和目标域共享相同条件概率分布的特征空间是困难的. 此外, 没有灵活且有效的策略将现有的无监督域适应 (UDA) 方法扩展到 SSDA 设置. 为了解决上述两个挑战, 我们提出一种新的微调框架, 半监督迁移提升 (SS-TrBoosting). 给定经过训练的基于深度学习的 UDA 或 SSDA 模型, 我们将其作为初始模型, 通过提升生成额外的基学习器, 然后将它们全部用作集成. 更具体地, 一半的基学习器通过监督域适应生成, 另一半通过半监督学习生成. 此外, 为了实现更高效的数据传输和更好的数据隐私保护, 我们提出一种源数据生成方法, 将 SS-TrBoosting 扩展到半监督源域无监督域适应 (SS-SFDA). 大量实验表明, SS-TrBoosting 可应用于各种现有的 UDA、SSDA 和 SFDA 方法, 以进一步提高其性能.
引用
@article{arxiv.2412.03212,
title = {Semi-Supervised Transfer Boosting (SS-TrBoosting)},
author = {Lingfei Deng and Changming Zhao and Zhenbang Du and Kun Xia and Dongrui Wu},
journal= {arXiv preprint arXiv:2412.03212},
year = {2024}
}