通过双向传输发生器自我训练无监督域名适应

科学领域:

• 计算机科学 计算机科学
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 无监督域名适应 (UDA) 旨在利用标记的源数据用于未标记的目标域名.
• 自学训练方法在UDA中是有效的,但在功能空间中的源域信息可能会受到阻碍.
• 这可以将模型困在源域中,妨碍学习目标特定特征.

研究的目的:

• 提出一种使用双向传输发生器 (BDTGs) 的新型自训练域适应 (DA) 模型.
• 解决在UDA中学习歧视性目标域特征的挑战.
• 通过减轻源域偏差来提高目标域的分类性能.

主要方法:

• 引入了一种具有双向传输发电机 (BDTGs) 的自训练DA模型.
• 采用了发电机的双向传输结构,利用指数移动平均线 (EMA) 作为桥梁.
• 实现了基于共弦相似度的过器,以识别和减轻杂的伪标签的影响.

主要成果:

• 双向传输结构促进了特征空间转移,有助于目标域的适应.
• 传输机制扰乱了分类界限,揭示了不可靠的目标样本.
• 代数相似性过器有效地减少了语义上不正确的伪标签的影响.
• 在5个基准UDA数据集上的实验表明了优越的分类性能.

结论:

• 拟议的BDTGs有效地解决了UDA传统自培训的局限性.
• 双向传输和过机制增强了模型适应目标域的能力.
• 该方法在基准UDA数据集上取得了最先进的结果.