迈向可信的无监督域适应：增强鲁棒性、判别性与泛化性的表示学习视角
计算机视觉与模式识别
2024-06-21 v1
摘要
鲁棒无监督域适应(RoUDA)旨在实现从有标签源域到无标签目标域的不仅干净而且鲁棒的跨域知识迁移。已有大量工作基于自训练流程，直接在UDA中注入对抗训练(AT)，并旨在为AT生成更好的对抗样本(AEs)。尽管取得了显著进展，但这些方法仅关注寻找更强的AEs，而忽略了如何更好地从这些AEs中学习，从而导致结果不理想。在本文中，我们从表示学习的角度研究鲁棒UDA，并利用互信息理论设计了一种新颖算法，称为MIRoUDA。具体来说，通过互信息优化，MIRoUDA旨在实现鲁棒UDA中高度期望的三个特性，即鲁棒性、判别性和泛化性。我们随后提出了一种相应的双模型框架用于鲁棒UDA学习。在多个基准上的大量实验验证了所提出的MIRoUDA的有效性，我们的方法以较大优势超越了现有最先进技术。
引用
@article{arxiv.2406.13180,
title = {Towards Trustworthy Unsupervised Domain Adaptation: A Representation Learning Perspective for Enhancing Robustness, Discrimination, and Generalization},
author = {Jia-Li Yin and Haoyuan Zheng and Ximeng Liu},
journal= {arXiv preprint arXiv:2406.13180},
year = {2024}
}