SWAT: Sliding Window Adversarial Training for Gradual Domain Adaptation

要約

ドメインシフトは、機械学習のパフォーマンスに害を及ぼす重要な問題です。
監視されていないドメイン適応（UDA）はこの問題を軽減しますが、ドメインのシフトが急で劇的な場合に苦しみます。
段階的なドメイン適応（GDA）は、複数の中間ドメインを使用してソースからターゲットドメインに徐々に適応することにより、この問題を軽度に緩和します。
この論文では、漸進的なドメイン適応のためのスライドウィンドウ敵対訓練（SWAT）を提案します。
SWATは、敵対的なストリームの構築を使用して、ソースドメインとターゲットドメインの特徴スペースを接続します。
隣接する中間ドメイン間の小さなギャップを徐々に狭めるために、敵対的な流れに沿って移動するスライドウィンドウパラダイムが設計されています。
ウィンドウがストリームの端、つまりターゲットドメインに移動すると、ドメインシフトは劇的に減少します。
広範な実験はパブリックGDAベンチマークで行われ、結果は、提案されたSWATが最先端のアプローチを大幅に上回ることを示しています。
実装は、https：//anonymous.4open.science/r/swat-8677で入手できます。

要約(オリジナル)

Domain shifts are critical issues that harm the performance of machine learning. Unsupervised Domain Adaptation (UDA) mitigates this issue but suffers when the domain shifts are steep and drastic. Gradual Domain Adaptation (GDA) alleviates this problem in a mild way by gradually adapting from the source to the target domain using multiple intermediate domains. In this paper, we propose Sliding Window Adversarial Training (SWAT) for Gradual Domain Adaptation. SWAT uses the construction of adversarial streams to connect the feature spaces of the source and target domains. In order to gradually narrow the small gap between adjacent intermediate domains, a sliding window paradigm is designed that moves along the adversarial stream. When the window moves to the end of the stream, i.e., the target domain, the domain shift is drastically reduced. Extensive experiments are conducted on public GDA benchmarks, and the results demonstrate that the proposed SWAT significantly outperforms the state-of-the-art approaches. The implementation is available at: https://anonymous.4open.science/r/SWAT-8677.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google