当无源域适应遇见带噪标签学习
机器学习
2023-02-27 v2 计算机视觉与模式识别
摘要
近期最先进的无源域适应（SFDA）方法聚焦于在特征空间中学习有意义的聚类结构，已成功在不访问私有源数据的情况下将知识从源域适配到无标签目标域。然而，现有方法依赖于源模型生成的伪标签，由于域偏移这些伪标签可能含噪。本文从带噪标签学习（LLN）的视角研究 SFDA。不同于常规 LLN 场景中的标签噪声，我们证明 SFDA 中的标签噪声遵循不同的分布假设。我们还证明，这种差异使得依赖其分布假设的现有 LLN 方法无法处理 SFDA 中的标签噪声。实证证据表明，将现有 LLN 方法应用于解决 SFDA 问题时仅取得边际改进。另一方面，尽管两场景中的标签噪声存在根本差异，我们理论上证明先前在常规标签噪声设置中观察到的早期训练现象（ETP）也可在 SFDA 问题中观察到。大量实验表明，利用 ETP 处理 SFDA 中的标签噪声可显著改进现有 SFDA 算法。
引用
@article{arxiv.2301.13381,
title = {When Source-Free Domain Adaptation Meets Learning with Noisy Labels},
author = {Li Yi and Gezheng Xu and Pengcheng Xu and Jiaqi Li and Ruizhi Pu and Charles Ling and A. Ian McLeod and Boyu Wang},
journal= {arXiv preprint arXiv:2301.13381},
year = {2023}
}
备注
ICLR 2023 camera-ready