基于积累类中心的跨领域类别差异最小化方法：针对不平衡领域适应的centroIDA
摘要：无监督领域适应（UDA）方法通过最小化源域和目标域之间的分布差异来解决协变量偏移问题，假设标签分布在领域之间是不变的。然而，在不平衡领域适应（IDA）场景中，协变量和长尾标签在领域之间都存在偏移。为了解决IDA问题，一些当前的研究侧重于最小化源域和目标域之间每个对应类别的分布差异。这些方法很大程度上依赖于可靠的伪标签选择和目标域特征分布的估计，而数量有限的少数类别使得估计更加不确定，这影响了模型的性能。在本文中，我们提出了一种基于累积类中心的跨领域类别差异最小化方法（centroIDA）来解决IDA问题。首先，采用基于类别的重采样策略在源域上获取一个无偏的分类器。其次，提出了累积类中心对齐损失来进行迭代类中心对齐。最后，使用类别特定的特征对齐损失来优化特征表示，以获得稳健的分类边界。一系列实验证明了我们的方法在IDA问题上优于其他最先进的方法，尤其是在标签偏移程度增加时。
作者：Xiaona Sun and Zhenyu Wu and Yichen Liu and Saier Hu and Zhiqiang Zhan and Yang Ji
论文ID：2308.10619
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-22