基于跨域类和数据样本双重加权的无监督域模型

资料大小: 1.72 MB

所需积分: 0

下载次数:

用户评论: 0条评论,查看

上传日期: 2021-04-14

上 传 者: 他上传的所有资料

资料介绍

标签:机器学习(5614)模型(794)神经网络(3054)

无监督域适应(UnsupervisedDomainAdaptaTIon,UDA)是一类新兴的机器学习范式,其通过对源域知识在无标记标堿上的迁移利用,来促进目标域模型的训练。为建模源域与目标域之间的域分布差异,最大均值差异(MaxiπumMeandiscrepancy,MMD)建模被广泛应用,其对UDA的性能提升起到了有效的促进作用。然而,这些方法通常忽视了领域之间对应类规模与类分布等结构信息,因为目标堿与源堿的数据类规模与数据分布通常并非一致。为此,文中提岀了一种基于跨域类和数据样本双重加权的无监督域适应模型(SampleweightedandClassweightedbasedUnsupervisedDomainAdaptaTIonNetwork,SCUDAN)。具体而言,一方面,通过源域类层面的适应性加权来调整源域类权重,以实现源域与目标域之间的类分布对齐;另方面,通过目标域样本层面的适应性加权来调整目标域样本权重,以实现目标堿与源域类中心的对齐。此外,文中还提出了种CEM(ClassificaTIonExpectaTIonMaximization)优化算法,以实现对SCUDAN的优化求解。最后,通过对比实验和分析,验正了所提模型和算法的有效性。

用户评论

查看全部 条评论

发表评论请先 , 还没有账号?免费注册

发表评论

用户评论
技术交流、我要发言! 发表评论可获取积分! 请遵守相关规定。
上传电子资料