面向通用领域自适应的领域共识聚类
通用域自适应(UNIDA)问题,旨在将知识从源域转移到未计算的标签空间下的目标域。 UNIDA的主要挑战在于如何将公共类(即跨域共享的类)与私有类(即类只存在于一个域中)分离开来。以前的文章将目标中的私有样本视为一个通用类,但忽略其内在结构。所得到的表示在潜在空间中不够紧凑,并且可以容易地与常见样本混淆。
为更好地利用目标域的内在结构提出了领域共识聚类(DCC),利用领域共识知识在公共样本和私有样本上发现有区别的聚类。具体来说,我们从两个方面提取领域共识知识,以促进聚类和私有类发现,即语义层共识,将周期一致的簇识别为公共类,和样本层共识,它利用跨域分类协议来确定集群的数量并发现私有类。基于DCC,我们能够将私有类与公共类分开,并区分私有类本身。在已识别的普通样本上应用类别感知对齐技术以减少分布偏移,并使用一个原型正则化器来激发有区别的目标聚类。论文源代码