回归中无监督域适应的不确定性指导对齐
计算机视觉与模式识别
2024-11-22 v3 机器学习
摘要
回归的无监督域适应（UDAR）旨在将模型从有标签的源域适应到无标签的目标域以执行回归任务。在分类任务中取得成功的传统特征对齐方法，由于回归特征的相关性，在回归任务中往往被证明无效。为了应对这一挑战，我们提出了不确定性指导对齐（UGA），这是一种将预测不确定性集成到特征对齐过程中的新方法。UGA 采用证据深度学习来预测目标值及其相关的不确定性。这种不确定性信息指导对齐过程并在嵌入空间中融合信息，有效缓解了分布外场景中的特征崩溃等问题。我们在两个计算机视觉基准测试以及跨不同制造商和工作温度的真实世界电池荷电状态预测任务上评估了 UGA。在 52 个迁移任务中，UGA 平均优于现有的 SOTA 方法。我们的方法不仅提高了适应性能，还提供了校准良好的不确定性估计。
引用
@article{arxiv.2401.13721,
title = {Uncertainty-Guided Alignment for Unsupervised Domain Adaptation in Regression},
author = {Ismail Nejjar and Gaetan Frusque and Florent Forest and Olga Fink},
journal= {arXiv preprint arXiv:2401.13721},
year = {2024}
}