基于子空间渐进适配的无监督域适配方法
机器学习
2022-12-13 v1 计算机视觉与模式识别
机器学习
摘要
无监督域适配（UDA）旨在通过从带标签的源域迁移知识来处理带域偏移的无标签目标域分类。现有多数 UDA 方法试图通过减小域差异来缓解偏移带来的不利影响。然而，由于目标域缺乏标签，此类方法易遭受臭名昭著的模态崩塌问题。自然，缓解该问题的有效途径之一是可靠估计目标域伪标签，而这本身十分困难。为克服此困难，我们提出一种名为子空间渐进适配方法（PAS）的新颖 UDA 方法，其中我们利用一种看似更合理的直觉来逐步获得可靠伪标签。具体而言，我们通过自适应锚定/选择并利用那些带可靠伪标签的目标样本，作为知识迁移桥梁逐步稳定精炼共享子空间。随后，精炼后的子空间可反过来提供更可靠的目标域伪标签，使模态崩塌得到高度缓解。我们充分的评估表明，PAS 不仅对常见 UDA 有效，而且在更具挑战性的部分域适配（PDA）情形（源标签集包含目标标签集）下也优于当前最优方法。
引用
@article{arxiv.2009.00520,
title = {Unsupervised Domain Adaptation with Progressive Adaptation of Subspaces},
author = {Weikai Li and Songcan Chen},
journal= {arXiv preprint arXiv:2009.00520},
year = {2022}
}