通用多源域自适应
计算机视觉与模式识别
2020-11-06 v1 人工智能
摘要
无监督域自适应使智能模型能够将知识从有标注的源域迁移到相似但无标注的目标域。近期研究揭示，知识可以从一个源域迁移到另一个未知目标域，称为通用域自适应（UDA）。然而，在现实应用中，往往存在多个源域可供利用以进行域自适应。本文正式提出了一种更通用的域自适应设定，即通用多源域自适应（UMDA），其中多个源域的标签集可以不同，且目标域的标签集完全未知。UMDA 的主要挑战在于识别每个源域与目标域之间的公共标签集，并在源域数量增加时保持模型的可扩展性。为应对这些挑战，我们提出了一种通用多源自适应网络（UMAN），以在各种 UMDA 设定下解决域自适应问题，且不增加模型复杂度。在 UMAN 中，我们通过预测边界估计公共标签集中每个已知类的可靠性，从而帮助对抗训练更好地对齐多个源域与目标域在公共标签集上的分布。此外，我们还提供了 UMAN 的理论保证。大量实验结果表明，现有的 UDA 与多源 DA（MDA）方法无法直接应用于 UMDA，而所提出的 UMAN 在各种 UMDA 设定下均达到了最先进的性能。
引用
@article{arxiv.2011.02594,
title = {Universal Multi-Source Domain Adaptation},
author = {Yueming Yin and Zhen Yang and Haifeng Hu and Xiaofu Wu},
journal= {arXiv preprint arXiv:2011.02594},
year = {2020}
}