![](https://csdnimg.cn/release/download_crawler_static/88589221/bg4.jpg)
4 Sun等人。
域自适应设置。
领域适应(DA)在许多不同的环境下出现。在香草无监
督域自适应(UDA)[45,29,3,35]中,只有来自源域的标记数据和来自
目标域的未标记数据
都是可用的。由于没有标记的目标数据可用,当域间隙较大时,UDA可
能是一个验证任务。半监督DA(SSDA)[32,11,16]假设有少量标记的
目标数据可用,与UDA相比,这通常会大大提高性能。主动DA[5,28,
42]进一步选择信息量最大的样本,从oracle中查询它们的标签。然后,
可以注入人类定义的标准,如不确定性和多样性,以衡量样本的信息
性。与UDA相比,SSDA和Active DA可以被视为包含了额外的实例级标
签信息。另一条线是减少源域发布的信息,通常是由于一些隐私问题。
无源数据UDA[18,9,4,2]假设源域仅提供训练模型,而源数据不可访
问。为了隐藏模型细节,进一步研究了黑箱源模型[21,43,19]
我们的研究。
我们提出的KUDA方法将类分布级别的信息,并补充上
述所有的设置。这是沿着这个方向的第一项工作,我们希望看到进一
步的研究,以探索更丰富的先验知识的UDA或扩展到一般的DA场景
的想法。
3
知识引导的
UDA
你是谁?
在本文中,我们重点研究了UDA任务的C -路分类问题.我们使用
和
=
0
,
1
,
. . .
得双曲余切值
.
1 来表示输入空间, 标签空间分别。
在一个普通的UDA任务中,我们得到了标记的样本,
D
s
={(
x
s
,
y
s
)}
n
s
−
1
,来自源域P
S
(X
,
C),以及未标记的样本
D
t
={(
x
t
)}
n
t
−
1
从目标域P
T
(X
,
C)。UDA的目标是学习
标记函数
f
t
=
h
t
<$
g
t
:X → C用于目标域,其中
g
t
是特征
提取器,而
Ht
是标签预测器。
目标类
分布的先验知识。目标域
的类分布
pt
(
y
)是UDA中不可达的重要量.
一种方法是根据未标记目标数据的模型预测来估计它[22]。然而,当域
间隙很大时,这通常是不可靠的.的不足 可以用先验知识来补偿标记的
目标样本,
例如
从人类的专业知识。事实上,在现实世界的应用中,通
常可以获得一些关于类分布的信息,而不必费心标记特定的目标样本。
表1列出了本文中考虑的两种类型的先验知识。
一元界
描述了单个类概率
p
(
c
)的上下界
,
二元
关系
描述了
两个类,
p
(
c
1
)
和
p
(
c
2
)
。这两个关于类分布的统计数据都是通用的
t t
并且在实践中易于获得除此之外,其他类型的先验知识可以
可以用三个或三个以上的概率来类似地定义。
设置
KUDA
。
我们研究了一种新颖的和现实的设置称为
知识
引导的无监
督域自适应(
KUDA
)
。在KUDA中,
除了D
s
和D
t
之外
,我们还可以获得关
于目标的一些先验知识K