Model Adaptation: Unsupervised Domain Adaptation without Source Data

要約

このホワイトペーパーでは、挑戦的な監視されていないドメイン適応設定、つまり教師のないモデル適応を調査します。
データプライバシーの問題により、いくつかの実際のシナリオではラベルのあるソースデータが利用できない場合があるため、ターゲットドメイン上の既存のソース予測モデルのパフォーマンスを改善するために、非標識ターゲットデータのみに依存する方法を探ることを目指しています。
この目的のために、ソースデータへの依存をバイパスするための共同クラス条件付き生成敵対的なネットと呼ばれる新しいフレームワークを提案します。
具体的には、予測モデルは、発電機のより正確なガイダンスを提供する生成されたターゲットスタイルのデータを通じて改善されます。
その結果、発電機と予測モデルは、ソースデータなしで互いに協力できます。
さらに、ソースデータからの監督が不足しているため、ソースモデルとの類似性を促進する重みの制約を提案します。
クラスタリングベースの正則化も導入され、ターゲットドメインでより差別的な機能を生成します。
従来のドメイン適応方法と比較して、我々のモデルは、この挑戦​​的な設定での有効性を検証する、ターゲットデータのみのみを使用して、複数の適応タスクで優れたパフォーマンスを実現します。

要約(オリジナル)

In this paper, we investigate a challenging unsupervised domain adaptation setting — unsupervised model adaptation. We aim to explore how to rely only on unlabeled target data to improve performance of an existing source prediction model on the target domain, since labeled source data may not be available in some real-world scenarios due to data privacy issues. For this purpose, we propose a new framework, which is referred to as collaborative class conditional generative adversarial net to bypass the dependence on the source data. Specifically, the prediction model is to be improved through generated target-style data, which provides more accurate guidance for the generator. As a result, the generator and the prediction model can collaborate with each other without source data. Furthermore, due to the lack of supervision from source data, we propose a weight constraint that encourages similarity to the source model. A clustering-based regularization is also introduced to produce more discriminative features in the target domain. Compared to conventional domain adaptation methods, our model achieves superior performance on multiple adaptation tasks with only unlabeled target data, which verifies its effectiveness in this challenging setting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google