TWINs：用于部分域适应的双加权不一致性削减网络
机器学习
2018-12-19 v1 机器学习
摘要
无监督域适应任务旨在将富含标签的域（源域）的知识迁移到标签稀缺的域（目标域）。匹配不同域之间的特征分布是上述任务中广泛应用的方法。然而，当两域类别不完全相同时，该方法表现不佳。具体而言，当目标域的类别对应源域类别的子集时，目标样本可能被错误地与仅存在于源域中的类别对齐。此问题设定被称为部分域适应（PDA）。在本研究中，我们提出一种用于 PDA 的新方法，称为双加权不一致性削减网络（TWINs）。我们利用两个分类网络来估计每个类别中目标样本的比例，并据此对分类损失加权，以适应目标域中存在的类别。此外，为提取目标域的判别性特征，我们提出最小化由分类器在目标样本上的不一致性所度量的域间差异。我们通过实验证明，削减两个网络间的不一致性对 PDA 有效，且我们的方法在多个数据集上以较大优势优于其他现有方法。
引用
@article{arxiv.1812.07405,
title = {TWINs: Two Weighted Inconsistency-reduced Networks for Partial Domain Adaptation},
author = {Toshihiko Matsuura and Kuniaki Saito and Tatsuya Harada},
journal= {arXiv preprint arXiv:1812.07405},
year = {2018}
}