Semi-Supervised Adversarial Discriminative Domain Adaptation

要約

ドメイン適応は、ラベル付けされたデータの不在を処理できる強力なディープ ニューラル ネットワークをトレーニングするための潜在的な方法です。
より正確には、トレーニング データセットとテスト データセットが極端に異なる場合に、データセット バイアスまたはドメイン シフトと呼ばれる制限を解決するドメイン適応。
他のドメイン適応手法の中でも人気が高まっている敵対的適応手法。
敵対的ドメイン適応は、GAN の考え方に依存しており、敵対的オブジェクトに基づいて、トレーニング データセットとテスト データセットの間の分布を最小限に抑えようとします。
ただし、一部の従来の敵対的ドメイン適応方法では、2 つのデータセット間の大きなドメイン シフトを処理できないか、これらの方法の一般化能力が非効率的です。
この論文では、他のドメイン適応の制限を克服できる、半教師付き敵対的識別ドメイン適応（SADDA）と呼ばれる改善された敵対的ドメイン適応方法を提案します。
また、SADDA が他の敵対的適応手法よりも優れたパフォーマンスを発揮することを示し、数字の分類と感情認識の問題に対する手法の有望性を示します。

要約(オリジナル)

Domain adaptation is a potential method to train a powerful deep neural network, which can handle the absence of labeled data. More precisely, domain adaptation solving the limitation called dataset bias or domain shift when the training dataset and testing dataset are extremely different. Adversarial adaptation method becoming popular among other domain adaptation methods. Relies on the idea of GAN, adversarial domain adaptation tries to minimize the distribution between training and testing datasets base on the adversarial object. However, some conventional adversarial domain adaptation methods cannot handle large domain shifts between two datasets or the generalization ability of these methods are inefficient. In this paper, we propose an improved adversarial domain adaptation method called Semi-Supervised Adversarial Discriminative Domain Adaptation (SADDA), which can overcome the limitation of other domain adaptation. We also show that SADDA has better performance than other adversarial adaptation methods and illustrate the promise of our method on digit classification and emotion recognition problems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google