A Robust Negative Learning Approach to Partial Domain Adaptation Using Source Prototypes

要約

この研究では、堅牢なターゲット監視戦略を組み込むことで負の転送問題を軽減する、堅牢な部分ドメイン適応 (PDA) フレームワークを提案します。
アンサンブル学習を活用し、多様で補完的なラベル フィードバックを組み込んで、不正確なフィードバックの影響を軽減し、擬似ラベルの改良を促進します。
私たちのアプローチは、分布の調整のために一次モーメントのみに依存するのではなく、ドメイン不変の方法で、推定されたソース プロトタイプと信頼性の高いターゲット サンプルを使用して、クラス内のコンパクトさとクラス間の分離を最適化するという明示的な目的を提供します。
特に、ソース プロトタイプの先験的推論を通じて、適応フェーズ中にソース データにアクセスする必要性を排除することで、ソース データのプライバシーを確​​保します。
私たちは、アブレーション分析を含む一連の包括的な実験を実施し、さまざまな部分領域適応タスクをカバーしました。
ベンチマーク データセットの包括的な評価により、当社のフレームワークの堅牢性と汎用性が強化されていることが裏付けられ、既存の最先端の PDA アプローチに対するフレームワークの優位性が実証されています。

要約(オリジナル)

This work proposes a robust Partial Domain Adaptation (PDA) framework that mitigates the negative transfer problem by incorporating a robust target-supervision strategy. It leverages ensemble learning and includes diverse, complementary label feedback, alleviating the effect of incorrect feedback and promoting pseudo-label refinement. Rather than relying exclusively on first-order moments for distribution alignment, our approach offers explicit objectives to optimize intra-class compactness and inter-class separation with the inferred source prototypes and highly-confident target samples in a domain-invariant fashion. Notably, we ensure source data privacy by eliminating the need to access the source data during the adaptation phase through a priori inference of source prototypes. We conducted a series of comprehensive experiments, including an ablation analysis, covering a range of partial domain adaptation tasks. Comprehensive evaluations on benchmark datasets corroborate our framework’s enhanced robustness and generalization, demonstrating its superiority over existing state-of-the-art PDA approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google