用于域适应的类预测不确定性对抗对齐
最优化与控制
2018-04-13 v1
摘要
我们考虑无监督域适应:给定来自源域的带标签样本与来自相关目标域的无标签样本,目标是推断目标样本的标签。在假设预训练深度神经网络的特征可跨相关域迁移的前提下,域适应简化为在类预测不确定性层面上对齐源域与目标域。我们通过引入一种基于对抗学习的方法来解决该问题,该方法迫使目标域上的标签不确定性预测与源域上的不可区分。预训练深度神经网络用于生成具有跨相关域高迁移性的深度特征。我们针对一组广泛的公开可用预训练深度神经网络对所提方法进行了详尽的实验分析。我们在图像分类域适应任务上的实验结果表明,利用预训练深度神经网络提取的特征进行类预测不确定性对齐,为域适应提供了一种高效、鲁棒且有效的方法。
引用
@article{arxiv.1804.04447,
title = {Total Generalized Variation Regularization in Variational Data Assimilation for Burgers' Equation},
author = {J. C. De los Reyes and E. Loayza},
journal= {arXiv preprint arXiv:1804.04447},
year = {2018}
}