可视化迁移知识：一种无监督域自适应的可解释模型
计算机视觉与模式识别
2023-03-07 v1 机器学习
摘要
许多研究工作致力于无监督域自适应（DA）问题，即将从有标签源域学到的知识迁移到无标签目标域。近期各种DA方法在预测能力方面取得了显著成果，表明上述知识迁移的有效性。然而，最先进的方法很少深入探究迁移机制，使此类知识的真实本质模糊不清。认识到其在自适应过程中的重要性，我们提出一种无监督域自适应的可解释模型，作为首次尝试以可视化方式揭示迁移知识的奥秘。我们将现有的原型概念从视觉图像解释适配到DA任务，我们的模型类似地从域不变表示中提取共享信息作为原型向量。此外，我们通过新颖的预测校准和知识保真度保持模块扩展了当前原型方法，以使学到的原型定向于实际的迁移知识。通过可视化这些原型，我们的方法不仅为基础模型的预测提供直观解释，还通过匹配源域和目标域间具有相同语义的图像块来揭示迁移知识。综合实验与深入探索证明了我们的方法在理解迁移机制方面的有效性及其在包括模型诊断在内的下游任务中的潜力。
引用
@article{arxiv.2303.02302,
title = {Visualizing Transferred Knowledge: An Interpretive Model of Unsupervised Domain Adaptation},
author = {Wenxiao Xiao and Zhengming Ding and Hongfu Liu},
journal= {arXiv preprint arXiv:2303.02302},
year = {2023}
}