TOHAN：一种面向少样本假设适应的单步方法
机器学习
2022-09-08 v2
摘要
在少样本域适应（FDA）中，目标域的分类器利用源域（SD）中可获取的标注数据与目标域（TD）中少量标注数据训练。然而在当前时代，数据通常包含隐私信息，例如分布在个人手机上的数据。因此，若我们直接访问 SD 中的数据来训练目标域分类器（FDA 方法所需），隐私信息将会泄露。本文中，为彻底防止 SD 中的隐私泄露，我们考虑一个极具挑战性的设置：目标域的分类器必须利用少量标注目标数据与一个训练良好的 SD 分类器训练，称为少样本假设适应（FHA）。在 FHA 中，我们无法访问 SD 中的数据，因此 SD 中的隐私信息将得到良好保护。为此，我们提出一个目标导向的假设适应网络（TOHAN）来解决 FHA 问题，其中我们生成高度兼容的无标注数据（即一个中间域）以帮助训练目标域分类器。TOHAN 同时维护两个深度网络，一个专注于学习中间域，另一个负责中间域到目标域的分布适应以及目标风险最小化。实验结果表明 TOHAN 显著优于竞争基线。
引用
@article{arxiv.2106.06326,
title = {TOHAN: A One-step Approach towards Few-shot Hypothesis Adaptation},
author = {Haoang Chi and Feng Liu and Wenjing Yang and Long Lan and Tongliang Liu and Bo Han and William K. Cheung and James T. Kwok},
journal= {arXiv preprint arXiv:2106.06326},
year = {2022}
}