基于分类器悖论的自适应未知认证通用域适应方法
计算机视觉与模式识别
2022-07-15 v1 机器学习
摘要
通用域适应 (UniDA) 是一种通用的无监督域适应设定，其同时解决适应中的域偏移与标签偏移。其主要挑战在于如何识别属于非共享或未知类的目标样本。先前的方法通常力求刻画样本“置信度”并辅以阈值来拒绝未知类，并对跨域共享类的特征分布进行对齐。然而，仍难以预先指定适应各种实际任务的“置信度”准则与阈值，且对未知类的误预测会进一步引发共享类特征的对齐错误。本文提出一种具有自适应未知认证的新 UniDA 方法，即利用分类器悖论 (UACP)，其考虑到具有悖论预测的样本很可能属于任一源类之外的未知类。在 UACP 中，复合分类器与两类预测器联合设计。即，一个多类 (MC) 预测器将样本分类至多个源类之一，而一个二值 one-vs-all (OVA) 预测器进一步验证 MC 预测器的预测。验证失败或存在悖论的样本被识别为未知类。进一步，不同于对共享类进行特征对齐，隐式域对齐在输出空间中执行，使得跨域样本共享同一决策边界，尽管存在特征差异。实证结果在开集与通用 UDA 设定下均验证了 UACP。
引用
@article{arxiv.2207.04494,
title = {Towards Adaptive Unknown Authentication for Universal Domain Adaptation by Classifier Paradox},
author = {Yunyun Wang and Yao Liu and Songcan Chen},
journal= {arXiv preprint arXiv:2207.04494},
year = {2022}
}