弱适配学习——以弱标注器应对跨域数据不足
机器学习
2021-09-22 v3 人工智能
计算机视觉与模式识别
摘要
数据的数量与质量是基于数据的学习方法的关键要素。在某些目标问题域中，可用数据样本不多，这可能显著阻碍学习过程。尽管可利用相似域的数据通过域适配提供帮助，但为这些源域本身获取高质量标注数据可能困难或代价高昂。为应对目标域分类问题中此类数据不足的挑战，我们提出了一种弱适配学习（WAL）方法，其利用来自相似源域的无标签数据、基于任务特定启发式规则或标注规则等产生标签（尽管存在不准确）的低成本弱标注器，以及目标域中的少量标注数据。我们的方法首先对训练分类器关于数据量与弱标注器性能误差界进行理论分析，随后引入一种多阶段弱适配学习方法，通过降低误差界来学习准确分类器。实验证明了我们的方法在目标域仅有少量标注数据、源域仅有未标注数据时学习准确分类器的有效性。
引用
@article{arxiv.2102.07358,
title = {Weak Adaptation Learning -- Addressing Cross-domain Data Insufficiency with Weak Annotator},
author = {Shichao Xu and Lixu Wang and Yixuan Wang and Qi Zhu},
journal= {arXiv preprint arXiv:2102.07358},
year = {2021}
}