基于模型预测不确定性的无监督域自适应
计算机视觉与模式识别
2022-11-17 v1
摘要
无监督域自适应（UDA）旨在缓解源域到目标域的分布偏移，提升目标域的预测性能。UDA 的核心原则是最小化源域与目标域之间的分歧。遵循该原则，许多方法采用域判别器来匹配特征分布。一些近期方法通过评估目标样本上两次预测的差异来检测偏离源分布的样本。然而，它们的性能受限，因为要么仅匹配边缘分布，要么保守地度量分歧。本文提出一种新颖的 UDA 方法，学习最小化域分歧的域不变特征。我们将模型不确定性作为域分歧的度量。我们基于模型不确定性的 UDA 方法（MUDA）采用贝叶斯框架，并通过蒙特卡洛 dropout 采样高效评估模型不确定性。图像识别任务的实证结果表明，我们的方法优于现有最先进方法。我们还将 MUDA 扩展至多源域自适应问题。
引用
@article{arxiv.2211.08866,
title = {Unsupervised Domain Adaptation Based on the Predictive Uncertainty of Models},
author = {JoonHo Lee and Gyemin Lee},
journal= {arXiv preprint arXiv:2211.08866},
year = {2022}
}