面向域适应的目标一致性：当鲁棒性遇见可迁移性
机器学习
2020-07-01 v2 机器学习
摘要
学习不变表示已成功应用于调和无监督域适应中的源域与目标域。通过在聚类假设视角下考察此类方法的鲁棒性，我们提供新的证据：低源域风险的不变性并不能保证目标分类器表现良好。更确切地说，我们表明聚类假设在目标域中被违背，尽管其在源域中得以保持，这表明目标分类器缺乏鲁棒性。为解决该问题，我们论证了在目标域中强制聚类假设的重要性，称之为目标一致性（TC），尤其当其与类级不变性（CLIV）配对时。我们的新方法在图像分类与分割基准上相较基于不变表示的最优方法取得显著改进。重要的是，我们的方法灵活且易于实现，使其成为提升表示可迁移性的现有方法的互补技术。
引用
@article{arxiv.2006.14263,
title = {Target Consistency for Domain Adaptation: when Robustness meets Transferability},
author = {Yassine Ouali and Victor Bouvier and Myriam Tami and Céline Hudelot},
journal= {arXiv preprint arXiv:2006.14263},
year = {2020}
}
备注
Preprint. First two authors have equal contribution