.png){kind=icon}
返回
Unsupervised variational domain adaptation
.png){kind=icon}
PRE
AI
DOI：10.1007/s10994-025-06751-y.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
无监督域适应（UDA）旨在通过从源域（SD）转移学习到的知识来提升目标域（TD）的学习任务。特征对齐作为UDA的关键点，通常通过对抗训练或最小化两个域的边际分布差异来实现。然而，全局特征对齐不足以消除域之间的差距。大多数现有方法在特征对齐过程中忽略了类别级特征，这可能导致模态崩溃。为解决此问题，我们提出了一种跨域概率生成模型（CPGM），将类别级特征适应表述为概率近似问题（即强制目标域的后验概率近似源域的先验概率）。我们进一步基于变分推断对证据下界（ELBO）进行了理论分析，以解决概率近似问题。因此，我们构建了一种无监督变分域适应（UVDA）方法用于分类任务，该方法通过构建基于CPGM的ELBO损失，缓解了传统全局特征对齐方法的模态崩溃问题。我们的UVDA采用交替训练策略，分别通过CPGM和对抗训练来适应类别级和全局特征。特别地，我们提出了一种有效的样本筛选模块（SSM），以逐步选择高置信度的目标样本，以促进ELBO的计算并最大化CPGM的能力。在Digits、Office31、VisDA-2017和DomainNet四个常用数据集上的实验结果表明，我们的UVDA是有效的，并且优于当前最优方法。
Keyword:
Unsupervised domain adaptation
Cross-domain generative model
Gaussian mixture model
Sample screening mechanism
期刊
IF:
2.9
论文数:
2.7K
被引数:
3.4W
机构
暂无机构信息
引用论文
.png){kind=icon}
Class-Incremental Unsupervised Domain Adaptation via Pseudo-Label Distillation基于伪标签蒸馏的类增量无监督域自适应
PREAI
分享收藏Variational Deep Embedding: An Unsupervised and Generative Approach to Clustering变分深度嵌入: 一种无监督和生成的聚类方法
OAAI
OAAI分享收藏A Graph Embedding Framework for Maximum Mean Discrepancy-Based Domain Adaptation Algorithms基于最大均值差异的域自适应算法的图嵌入框架
PREAI
分享收藏Unsupervised domain adaptation via re-weighted transfer subspace learning with inter-class sparsity
PREAI
分享收藏
查看更多内容