面向图像分类的常见无监督域适应算法的模拟
机器学习
2025-02-18 v1 人工智能
摘要
传统机器学习假设训练集和测试集来自同一分布；然而，这一假设在实际应用中并不总是成立。当训练好的模型应用于新数据集时，这种分布差异会导致严重的性能下降。域适应（DA）是一种旨在通过减小域之间差异来解决此问题的机器学习技术。本文提出了近期 DA 技术的基于模拟的算法，主要涉及无监督域适应（UDA），即仅在源域中存在标签的情况。我们的研究将这些技术与公开数据集及多样特征进行比较，突出了它们各自的优势与缺陷。例如，基于 Transformer 的 DA 安全自精炼（SSRT）在我们的模拟中于 office-31 数据集上取得了最高准确率（91.6\%），然而在使用有限批大小时，其在 Office-Home 数据集上的准确率降至 72.4\%。除了增进读者对 DA 近期技术的理解外，我们的研究还突出了该领域面临的挑战及未来研究方向。代码可在 https://github.com/AIPMLab/Domain_Adaptation 获取。
引用
@article{arxiv.2502.10694,
title = {Simulations of Common Unsupervised Domain Adaptation Algorithms for Image Classification},
author = {Ahmad Chaddad and Yihang Wu and Yuchen Jiang and Ahmed Bouridane and Christian Desrosiers},
journal= {arXiv preprint arXiv:2502.10694},
year = {2025}
}
备注
Accepted in IEEE TIM