无监督多类域适应：理论、算法与实践
机器学习
2020-11-24 v2 计算机视觉与模式识别
机器学习
摘要
在本文中，我们研究无监督多类域适应（multi-class UDA）的形式化框架，其是若干近期算法的理论基础，而这些算法的学习目标仅由经验驱动。多类评分不一致（MCSD）散度通过聚合多类分类中的绝对间隔违例而提出，该 MCSD 能够充分刻画任意一对多类评分假设之间的关系。通过使用 MCSD 作为域距离度量，我们为多类 UDA 发展了一个新的域适应界；其数据依赖的、可能近似正确（PAC）界也被给出，这自然暗示了用于对齐源域与目标域间条件特征分布的对抗性学习目标。进而，我们发展了多类域对抗学习网络（McDalNets）的算法框架，其通过替代学习目标的不同实例化或与近期若干流行方法一致或相似，从而（部分地）印证了它们的实际有效性。基于我们针对多类 UDA 的同一理论，我们还引入了一种域对称网络（SymmNets）的新算法，其特点在于一种新颖的域混淆与判别的对抗策略。SymmNets 提供了简单的扩展，在闭集、部分或开放集 UDA 的问题设定下同样表现良好。我们进行了细致的实证研究以比较 McDalNets 的不同算法与我们新引入的 SymmNets。实验验证了我们的理论分析并展示了所提 SymmNets 的效能。此外，我们已公开我们的实现代码。
引用
@article{arxiv.2002.08681,
title = {Unsupervised Multi-Class Domain Adaptation: Theory, Algorithms, and Practice},
author = {Yabin Zhang and Bin Deng and Hui Tang and Lei Zhang and Kui Jia},
journal= {arXiv preprint arXiv:2002.08681},
year = {2020}
}
备注
CVPR extension; TPAMI camera ready version: https://ieeexplore.ieee.org/document/9253700; IEEE copyright; Codes are available at: https://github.com/YBZh/MultiClassDA