生产,划分和培训:对于无源无监管域适应的一个有希望的方法
1School of Software, Nanjing University of Information Science and Technology, Nanjing, 210044, China; Wuxi Institute of Technology, Nanjing University of Information Science and Technology, Wuxi, 214000, China; State Key Laboratory for Novel Software Technology, Nanjing University, Nanjing, 210023, China.
概括
本研究介绍了Generation, Division and Training (GDT),一种新的无源无监管域适应 (SFUDA) 方法. GDT增强了自主监督学习的伪标签可靠性,提高了目标模型的性能.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 传统的无监督域调整 (UDA) 需要标记源数据,但由于无源UDA (SFUDA) 的隐私问题,通常无法获得源数据.
- 使用自主监督学习的现有SFUDA方法与不准确的伪标签作斗争,阻碍了目标模型的性能.
研究的目的:
- 提出一种新的SFUDA方法,即Generation, Division and Training (GDT),可以提高伪标签的可靠性并增强特征表示.
- 通过改进伪标签和采用可靠和不可靠样本的双重策略来解决现有的SFUDA方法的局限性.
主要方法:
- 通过深度聚类,GDT方法提炼了目标伪标签,并将样本分为可靠和不可靠的集合.
- 可靠的样本使用自我监督学习和信息最大化进行训练.
- 不可靠的样本经历了对比式学习,以吸引相似的特征,并排斥不相似的特征,从而促进了高效的特征集群.
主要成果:
- 拟议的GDT方法显著提高了SFUDA任务中目标模型的性能.
- 三个基准数据集的实验证明了GDT方法的有效性和优越性.
- 该方法成功地提高了伪标签的可靠性,并导致了更具歧视性的特征表示.
结论:
- 通过提高伪标签质量,GDT提供了一个强大的解决方案,用于无源无监督的域名适应.
- 在GDT中,深度集群,自我监督学习和对比学习的结合有效地解决了SFUDA中的关键挑战.
- 拟议的方法显示了在隐私敏感场景中推进域调整技术的强大潜力.
