APP下载

结合风格迁移的最小化类混淆领域自适应算法

2022-07-21梅校杰

计算机工程与应用 2022年14期
关键词:特征

梅校杰,张 灵

广东工业大学 计算机学院,广州 510006

深度神经网络擅长从具有大量标签标记的数据集中学习判别性特征表示,从而在各种机器学习任务中取得了空前的成功。但是,在实际应用中DNN(deep neural networks,DNN)通常会遇到因为标记数据稀缺而导致的学习判别性特征表示能力不足的问题。由于进行数据标定的工作代价高昂且费时,这种困境导致了领域自适应算法(domain adaptation,DA)的诞生[1-2],领域自适应可以在存在分布偏移的情况下,将学习到的知识从已标记的数据集迁移到未标记的数据集。对于封闭集的无监督领域自适应(unsupervised domain adaptation,UDA)问题,目前有许多算法来解决这种源域和目标域共用相同标签集跨域学习的情况。这些UDA方法通过学习共享特征进行跨域或者通过加权的方式突出的显示与目标域更相关的源域样本,在目标域没有标签的情况下努力拟合源域和目标域之间的特征分布差距[3-4]。

基于矩匹配的领域自适应相关算法目的在于最小化跨域的分布差异。例如,Deep Coral[5]算法通过对源域和目标域之间的样本特征进行线性变换,使得两者的二阶统计量对齐。DDC[6]算法和DAN[7]算法是通过MMD(maximum mean discrepancy,MMD)来减小源域和目标域之间特征分布差异。JAN[8]算法在DDC算法和DAN算法基础上,在网络结构中联合多层的特征分布差异,取得了更好的正迁移效果。SWD[9]算法利用特定任务的决策边界和Wasserstein度量,在源域和目标域之间进行特征分布对齐。CAN[10]算法提出了一个对类内域差异和类间域差异建模的新度量,来减少源域和目标域之间特征分布差异。……

登录APP查看全文

猜你喜欢

特征
离散型随机变量的分布列与数字特征
具有两个P’维非线性不可约特征标的非可解群
月震特征及与地震的对比
如何表达“特征”
不忠诚的四个特征
詈语的文化蕴含与现代特征
基于特征筛选的模型选择
线性代数的应用特征