谱引导的对抗差异学习
机器学习
2020-07-15 v1 机器学习
摘要
在活动识别领域，精确刻画类内差异一直是一项重大挑战，因为这需要对每一活动类别中特定主体变化之间的相关性具有鲁棒表示。在本工作中，我们提出一种新颖的端到端知识引导对抗学习框架，其利用两个竞争性编码分布刻画类条件类内差异，并通过去噪所学差异来学习纯化潜码。此外，领域知识以无监督方式被纳入以引导优化并进一步提升性能。在四个HAR基准数据集上的实验证明了我们所提方法相对于一组SOTA方法的鲁棒性与泛化性。我们进一步证明了自动领域知识纳入在性能增强中的有效性。
引用
@article{arxiv.2007.06831,
title = {Spectrum-Guided Adversarial Disparity Learning},
author = {Zhe Liu and Lina Yao and Lei Bai and Xianzhi Wang and Can Wang},
journal= {arXiv preprint arXiv:2007.06831},
year = {2020}
}