基于比例约束伪标签的弱监督域适应
机器学习
2025-06-30 v1
摘要
域漂移是机器学习中的重要挑战，尤其是在医疗领域，因为数据收集实践、设备和程序的差异导致不同机构之间的数据分布不同。这会导致模型在目标域中应用时性能下降。虽然已广泛研究了域适应方法，但大多数方法在源域和目标域之间类别比例不同的情形下仍感到困难。本文提出一种弱监督域适应方法，利用来自目标域的类别比例信息（在医疗数据集中通常通过先验知识或统计报告获取）。我们根据类别比例（称为比例约束伪标签）为无标签目标数据分配伪标签，从而在无需额外标注的情况下提升性能。在两个内窥镜数据集上的实验表明，本方法在目标域仅标注5%数据时，仍优于半监督域适应技术。此外，带有噪声比例标签的实验结果凸显了本方法的鲁棒性，进一步证明了其在实际应用场景中的有效性。
引用
@article{arxiv.2506.22301,
title = {Weakly-Supervised Domain Adaptation with Proportion-Constrained Pseudo-Labeling},
author = {Takumi Okuo and Shinnosuke Matsuo and Shota Harada and Kiyohito Tanaka and Ryoma Bise},
journal= {arXiv preprint arXiv:2506.22301},
year = {2025}
}
备注
Accepted at IJCNN2025