基于不确定性校准的无监督域适应
机器学习
2019-07-26 v1 计算机视觉与模式识别
机器学习
摘要
无监督域适应（UDA）旨在给定相关的带标签源数据集的情况下，推断无标签目标域的类别标签。直观上，在源域上训练的模型通常对未见数据产生更高的不确定性。本工作中，我们基于该假设，提出通过校准源域与目标域的预测不确定性来实现域适应。不确定性被量化为 Renyi 熵，由此我们提出一个通用的 Renyi 熵正则化（RER）框架。我们进一步采用变分贝叶斯学习以进行可靠的不确定性估计。此外，校准网络参数的样本方差可作为训练用的插件式正则化器。我们讨论了所提方法的理论性质，并在三个域适应任务上展示了其有效性。
引用
@article{arxiv.1907.11202,
title = {Unsupervised Domain Adaptation via Calibrating Uncertainties},
author = {Ligong Han and Yang Zou and Ruijiang Gao and Lezi Wang and Dimitris Metaxas},
journal= {arXiv preprint arXiv:1907.11202},
year = {2019}
}
备注
4 pages