文章目录
介绍
Unsupervised domain adaptation (UDA)无监督领域自适应不需要目标域任何标签数据,但是需要大量的目标域数据才能适应数据的分布,并没有任何的语义信息(标签)。半监督的领域适应只需要少量的目标域标签数据就能达到超过UDA的性能。实际应用中也更符合要求,我们可以在新的领域得到少量的标签数据。FADA(Few-Shot Adversarial Domain Adaptation)方法采用对抗学习的思想学习一个嵌入子空间,在最大化不同类中间的差别的同时,最小化同类样本的差别(不管是源域还是目标域)。
论文和实现
论文:https://arxiv.org/abs/1711.02536
代码:https://github.com/dupanfei1/deep-transfer-learning-for-waveform/tree/master/semisupervised/FADA
(ubuntu16.04 python3.5, torch0.3.1可运行)
构造grouped sample pairs
G1: 同