基于双重权重偏差建模的无监督域适应

基于双重权重偏差建模的无监督域适应

TP391; 无监督域适应(Unsupervised Domain Adaptation,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目标域上的迁移利用,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(Maximum Mean Dis-crepancy,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,因为目标域与源域的数据类规模与数据分布通常并非一致.为此,文中提出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(Sample weighted and Class wei...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:计算机科学 2021, Vol.48 (2), p.217-223
Hauptverfasser: 马闯, 田青, 孙赫阳, 曹猛, 马廷淮
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page 223
container_issue 2
container_start_page 217
container_title 计算机科学
container_volume 48
creator 马闯
田青
孙赫阳
曹猛
马廷淮
description TP391; 无监督域适应(Unsupervised Domain Adaptation,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目标域上的迁移利用,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(Maximum Mean Dis-crepancy,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,因为目标域与源域的数据类规模与数据分布通常并非一致.为此,文中提出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(Sample weighted and Class weighted based Unsupervised Domain Adaptation Network,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;另一方面,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,以实现目标域与源域类中心的对齐.此外,文中还提出了一种CEM(Classification Expectation Maximization)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,验证了所提模型和算法的有效性.
doi_str_mv 10.11896/jsjkx.200700028
format Article
fullrecord <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_jsjkx202102028</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>jsjkx202102028</wanfj_id><sourcerecordid>jsjkx202102028</sourcerecordid><originalsourceid>FETCH-wanfang_journals_jsjkx2021020283</originalsourceid><addsrcrecordid>eNpjYJAwNNAzNLSwNNPPKs7KrtAzMjAwNzAwMLJgYeA0BNK6hsbmERwMvMXFmUkGRsZmJkBoyMlg_HT-rie7-p7297xs7302txlIPm3sf7p93dPdu56tWPh8Vsuz6Quez574fO7ip_Pnv2xoerprCg8Da1piTnEqL5TmZlBzcw1x9tAtT8xLS8xLj8_KLy3KA8rEg51iZGBkaAAkLIyJVggAPHFNrQ</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于双重权重偏差建模的无监督域适应</title><source>DOAJ Directory of Open Access Journals</source><creator>马闯 ; 田青 ; 孙赫阳 ; 曹猛 ; 马廷淮</creator><creatorcontrib>马闯 ; 田青 ; 孙赫阳 ; 曹猛 ; 马廷淮</creatorcontrib><description>TP391; 无监督域适应(Unsupervised Domain Adaptation,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目标域上的迁移利用,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(Maximum Mean Dis-crepancy,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,因为目标域与源域的数据类规模与数据分布通常并非一致.为此,文中提出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(Sample weighted and Class weighted based Unsupervised Domain Adaptation Network,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;另一方面,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,以实现目标域与源域类中心的对齐.此外,文中还提出了一种CEM(Classification Expectation Maximization)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,验证了所提模型和算法的有效性.</description><identifier>ISSN: 1002-137X</identifier><identifier>DOI: 10.11896/jsjkx.200700028</identifier><language>chi</language><publisher>中国科学院自动化所模式识别国家重点实验室 北京 100190</publisher><ispartof>计算机科学, 2021, Vol.48 (2), p.217-223</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/jsjkx/jsjkx.jpg</thumbnail><link.rule.ids>314,776,780,860,4010,27900,27901,27902</link.rule.ids></links><search><creatorcontrib>马闯</creatorcontrib><creatorcontrib>田青</creatorcontrib><creatorcontrib>孙赫阳</creatorcontrib><creatorcontrib>曹猛</creatorcontrib><creatorcontrib>马廷淮</creatorcontrib><title>基于双重权重偏差建模的无监督域适应</title><title>计算机科学</title><description>TP391; 无监督域适应(Unsupervised Domain Adaptation,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目标域上的迁移利用,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(Maximum Mean Dis-crepancy,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,因为目标域与源域的数据类规模与数据分布通常并非一致.为此,文中提出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(Sample weighted and Class weighted based Unsupervised Domain Adaptation Network,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;另一方面,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,以实现目标域与源域类中心的对齐.此外,文中还提出了一种CEM(Classification Expectation Maximization)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,验证了所提模型和算法的有效性.</description><issn>1002-137X</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2021</creationdate><recordtype>article</recordtype><recordid>eNpjYJAwNNAzNLSwNNPPKs7KrtAzMjAwNzAwMLJgYeA0BNK6hsbmERwMvMXFmUkGRsZmJkBoyMlg_HT-rie7-p7297xs7302txlIPm3sf7p93dPdu56tWPh8Vsuz6Quez574fO7ip_Pnv2xoerprCg8Da1piTnEqL5TmZlBzcw1x9tAtT8xLS8xLj8_KLy3KA8rEg51iZGBkaAAkLIyJVggAPHFNrQ</recordid><startdate>2021</startdate><enddate>2021</enddate><creator>马闯</creator><creator>田青</creator><creator>孙赫阳</creator><creator>曹猛</creator><creator>马廷淮</creator><general>中国科学院自动化所模式识别国家重点实验室 北京 100190</general><general>南京信息工程大学计算机与软件学院 南京 210044%南京信息工程大学计算机与软件学院 南京 210044</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>2021</creationdate><title>基于双重权重偏差建模的无监督域适应</title><author>马闯 ; 田青 ; 孙赫阳 ; 曹猛 ; 马廷淮</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-wanfang_journals_jsjkx2021020283</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2021</creationdate><toplevel>online_resources</toplevel><creatorcontrib>马闯</creatorcontrib><creatorcontrib>田青</creatorcontrib><creatorcontrib>孙赫阳</creatorcontrib><creatorcontrib>曹猛</creatorcontrib><creatorcontrib>马廷淮</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>计算机科学</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>马闯</au><au>田青</au><au>孙赫阳</au><au>曹猛</au><au>马廷淮</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于双重权重偏差建模的无监督域适应</atitle><jtitle>计算机科学</jtitle><date>2021</date><risdate>2021</risdate><volume>48</volume><issue>2</issue><spage>217</spage><epage>223</epage><pages>217-223</pages><issn>1002-137X</issn><abstract>TP391; 无监督域适应(Unsupervised Domain Adaptation,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目标域上的迁移利用,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(Maximum Mean Dis-crepancy,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,因为目标域与源域的数据类规模与数据分布通常并非一致.为此,文中提出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(Sample weighted and Class weighted based Unsupervised Domain Adaptation Network,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;另一方面,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,以实现目标域与源域类中心的对齐.此外,文中还提出了一种CEM(Classification Expectation Maximization)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,验证了所提模型和算法的有效性.</abstract><pub>中国科学院自动化所模式识别国家重点实验室 北京 100190</pub><doi>10.11896/jsjkx.200700028</doi></addata></record>
fulltext fulltext
identifier ISSN: 1002-137X
ispartof 计算机科学, 2021, Vol.48 (2), p.217-223
issn 1002-137X
language chi
recordid cdi_wanfang_journals_jsjkx202102028
source DOAJ Directory of Open Access Journals
title 基于双重权重偏差建模的无监督域适应
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-02-08T01%3A13%3A53IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E5%8F%8C%E9%87%8D%E6%9D%83%E9%87%8D%E5%81%8F%E5%B7%AE%E5%BB%BA%E6%A8%A1%E7%9A%84%E6%97%A0%E7%9B%91%E7%9D%A3%E5%9F%9F%E9%80%82%E5%BA%94&rft.jtitle=%E8%AE%A1%E7%AE%97%E6%9C%BA%E7%A7%91%E5%AD%A6&rft.au=%E9%A9%AC%E9%97%AF&rft.date=2021&rft.volume=48&rft.issue=2&rft.spage=217&rft.epage=223&rft.pages=217-223&rft.issn=1002-137X&rft_id=info:doi/10.11896/jsjkx.200700028&rft_dat=%3Cwanfang_jour%3Ejsjkx202102028%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=jsjkx202102028&rfr_iscdi=true