【华南理工大学】无监督多类域自适应:理论、算法和实践，Unsupervised Multi-Class Domain Adaptation: Theory, Algorithms, and Practice

题目： Unsupervised Multi-Class Domain Adaptation: Theory, Algorithms, and Practice

摘要：

本文研究了无监督多类域自适应理论，这是最近一些算法的基础，这些算法的学习目标仅仅是由经验驱动的。多类得分不一致(MCSD)分歧是通过聚合多类分类中的绝对裕度违规来表示的;所提出的MCSD能够充分表征任何一对多类得分假设之间的关系。通过使用MCSD作为域距离的度量，我们为多类UDA开发了一个新的域适配边界以及它的依赖于数据的(可能是近似正确的)边界，这自然地提出了对抗性的学习目标来对齐源域和目标域的条件特征分布。因此，一个多类领域对抗学习网络(McDalNets)的算法框架被开发出来，它通过学习目标的不同实例与最近流行的一些方法相一致或相似，从而(部分地)强调了它们的实际有效性。在多类UDA理论的基础上，提出了一种新的域对称网络(SymmNets)算法。Symmnet提供了简单的扩展，这些扩展在封闭集、部分集或开放集UDA的问题设置下都可以很好地工作。我们进行了仔细的实证研究，把不同的算法的McDalNets和我们的新推出的SymmNets相比较。实验结果验证了理论分析的正确性和有效性。