你的分类器可悄然胜任多源域适应
机器学习
2021-03-23 v1 计算机视觉与模式识别
摘要
多源域适应（MSDA）研究在域偏移下将任务知识从多个有标签源域迁移至无标签目标域。现有方法旨在利用辅助分布对齐目标来最小化该域偏移。本文提出一种不同的 MSDA 视角：观察到深度模型在标签监督下隐式对齐各域。因此，我们旨在利用隐式对齐而无需额外训练目标来执行适应。为此，我们使用伪标签目标样本并强制分类器对伪标签达成一致，称为自监督隐式对齐（SImpAl）。我们发现 SImpAl 即便在源域间存在类别偏移时也能顺利工作。进一步，我们提出以分类器一致性作为判断训练收敛的线索，从而得到一种简单的训练算法。我们在五个基准上对所提方法进行了详尽评估，并深入剖析了各组成部分。
引用
@article{arxiv.2103.11169,
title = {Your Classifier can Secretly Suffice Multi-Source Domain Adaptation},
author = {Naveen Venkat and Jogendra Nath Kundu and Durgesh Kumar Singh and Ambareesh Revanur and R. Venkatesh Babu},
journal= {arXiv preprint arXiv:2103.11169},
year = {2021}
}
备注
NeurIPS 2020. Project page: https://sites.google.com/view/simpal