基于分类差异与信息熵对抗的无监督域适应算法
采用对抗训练的方式成为域适应算法的主流,通过域分类器将源域和目标域的特征分布对齐,减小不同域之间的特征分布差异.但是,现有的域适应方法仅将不同域数据之间的距离缩小,而没有考虑目标域数据分布与决策边界之间的关系,这会降低目标域内不同类别的特征的域内可区分性.针对现有方法的缺点,提出一种基于分类差异与信息熵对抗的无监督域适应算法(adversarial training on classification discrepancy and informa-tion entropy for unsupervised domain adaptation,ACDIE).该算法利用两个分类器之间的不一致性对齐域间差异,同时利用最小化信息熵的方式降低不确定性,使目标域特征远离决策边界,提高了不同类别的可区分性.在数字标识数据集和Office-31数据集上的实验结果表明,ACDIE算法可以学习到更优的特征表示,域适应分类准确率有明显提高.
域适应;对抗训练;神经网络;无监督学习;迁移学习;分类差异;信息熵;决策边界
16
TP391(计算技术、计算机技术)
国家自然科学基金项目61601230
2021-12-07(万方平台首次上网日期,不代表论文的发表时间)
共8页
999-1006