无监督域适应( Unsupervised Domain Adaptation,UDA)是一类新兴的机器学习范式,其通过对源域知识在无标记标堿上的迁移利用,来促进目标域模型的训练。为建模源域与目标域之间的域分布差异,最大均值差异(Maxiπ um Mean discrepancy,MMD)建模被广泛应用,其对UDA的性能提升起到了有效的促进作用。然而,这些方法通常忽视了领域之间对应类规模与类分布等结构信息,因为目标堿与源堿的数据类规模与数据分布通常并非一致。为此,文中提岀了一种基于跨域类和数据样本双重加权的无监督域适应模型( Sample weighted and Class weighted based Unsupervised Domain Adaptation Network,SCUDAN)。具体而言,一方面,通过源域类层面的适应性加权来调整源域类权重,以实现源域与目标域之间的类分布对齐;另方面,通过目标域样本层面的适应性加权来调整目标域样本权重,以实现目标堿与源域类中心的对齐。此外,文中还提出了种CEM( Classification Expectation Maximization)优化算法,以实现对 SCUDAN的优化求解。最后,通过对比实验和分析,验正了所提模型和算法的有效性。
声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
全部0条评论
快来发表一下你的评论吧 !