Crucial Semantic Classifier-based Adversarial Learning for Unsupervised Domain Adaptation

要約

教師なしドメイン適応（UDA）は、ラベル付けされたソースドメインからラベル付けされていないターゲットドメインへの転送可能な特徴を探索することを目的とし、広く発展してきた。しかしながら、既存の敵対的手法の主流は、無関係な意味知識のフィルタリングを無視し、適応性能の向上を妨げています。また、領域識別器を追加する必要があるため、抽出器は混乱した表現を生成しようとするが、離散的な設計はモデル崩壊を引き起こす可能性がある。本論文では、CSCAL(Crucial Semantic Classifier-based Adversarial Learning)を提案する。これは、重要な意味知識の伝達により注意を払い、分類器を暗黙のうちにドメイン識別器の役割として活用し、ネットワーク設計を追加しない手法である。具体的には、クラス内アライメントにおいて、Paired-Level Discrepancy (PLD)を設計し、重要な意味知識を伝達する。また、分類器の予測に基づき、クラス間の情報を考慮した核ノルムベース不一致(NND)を形成し、適応性能を向上させる。さらに、CSCALは正則化器として様々なUDA手法に容易に組み込むことができ、その性能を劇的に向上させることができる。

要約(オリジナル)

Unsupervised Domain Adaptation (UDA), which aims to explore the transferrable features from a well-labeled source domain to a related unlabeled target domain, has been widely progressed. Nevertheless, as one of the mainstream, existing adversarial-based methods neglect to filter the irrelevant semantic knowledge, hindering adaptation performance improvement. Besides, they require an additional domain discriminator that strives extractor to generate confused representations, but discrete designing may cause model collapse. To tackle the above issues, we propose Crucial Semantic Classifier-based Adversarial Learning (CSCAL), which pays more attention to crucial semantic knowledge transferring and leverages the classifier to implicitly play the role of domain discriminator without extra network designing. Specifically, in intra-class-wise alignment, a Paired-Level Discrepancy (PLD) is designed to transfer crucial semantic knowledge. Additionally, based on classifier predictions, a Nuclear Norm-based Discrepancy (NND) is formed that considers inter-class-wise information and improves the adaptation performance. Moreover, CSCAL can be effortlessly merged into different UDA methods as a regularizer and dramatically promote their performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL