基于自适应噪声校正的鲁棒域适应学习

基于自适应噪声校正的鲁棒域适应学习

TP391; 域适应(Domain Adaptation,DA)学习旨在利用标签丰富的源域来帮助标签稀缺的目标域学习.DA方法通常假设源域数据已正确标记,然而现实中通常很难收集到大量带有干净标签的源实例,带有噪声源标签的噪声DA学习可能会降低目标学习性能.为此,本文提出基于自适应标签噪声校正的鲁棒DA学习方法(Ro-bust DA Method through Adaptive Noise Correction,RoDAC).RoDAC包含两个学习阶段,即自适应噪声标签检测(Adaptive Noise Label Detection,ANLD)和自适应噪声标签校正(Adaptive Nois...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:广西科学 2022, Vol.29 (4), p.660-667
Hauptverfasser: 汪云云, 桂旭, 郑潍雯, 薛晖
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:TP391; 域适应(Domain Adaptation,DA)学习旨在利用标签丰富的源域来帮助标签稀缺的目标域学习.DA方法通常假设源域数据已正确标记,然而现实中通常很难收集到大量带有干净标签的源实例,带有噪声源标签的噪声DA学习可能会降低目标学习性能.为此,本文提出基于自适应标签噪声校正的鲁棒DA学习方法(Ro-bust DA Method through Adaptive Noise Correction,RoDAC).RoDAC包含两个学习阶段,即自适应噪声标签检测(Adaptive Noise Label Detection,ANLD)和自适应噪声标签校正(Adaptive Noise Label Correction,ANLC).在ANLD中,使用自适应噪声检测器识别带有噪声标签的源实例,并进一步在ANLC中自适应地校正噪声标签,将其重新投入域适应学习中.与基准数据集进行比较,结果表明RoDAC方法在源域标签存在噪声的域适应场景中取得了显著的性能提升.该学习策略可集成至许多现有的DA方法中,以提升其在噪声标签场景下的学习性能.
ISSN:1005-9164
DOI:10.13656/j.cnki.gxkx.20220919.006