【最优传输论文六】Wasserstein Distance Guided Representation Learning for Domain Adaptation

最新推荐文章于 2024-04-15 07:02:50 发布

羊驼不驼a

最新推荐文章于 2024-04-15 07:02:50 发布

阅读量632

点赞数

分类专栏：最优传输文章标签：深度学习人工智能机器学习

本文链接：https://blog.csdn.net/m0_60231311/article/details/130457871

版权

WDGRL是一种基于Wasserstein Distance的领域适应方法，通过对抗性训练学习域不变特征表示。该方法通过估计源样本和目标样本之间的Wasserstein Distance，优化特征提取器以减小域间差异。WDGRL在情绪和图像分类自适应任务上表现出色，相比非对称方法，它通过投影到公共潜在空间学习对称的域不变特征。此外， WDGRRL可以与鉴别器结合，引入监督信号提升目标域的分类性能。

摘要由CSDN通过智能技术生成

本文将专栏中上一篇WGAN改造应用于DA

前言

受Wasserstein GAN的启发，本文提出了一种学习领域不变特征表示的新方法，即 Wasserstein Distance Guided Reprensentation Learning（WDGRL）。WDGRL利用由Domain Critic表示的神经网络来估计源样本和目标样本之间的经验Wasserstein距离，并优化特征提取器网络以对抗性方式最小化估计的Wasserstein距。通过迭代对抗性训练，最终学习了对域之间的协变量移动不变的特征表示。Wasserstein距离在域自适应方面的理论优势在于其梯度性质和有希望的推广界。对常见情绪和图像分类自适应数据集的实证研究表明，WDGRL优于最先进的领域不变表示学习方法。

WDGRL和以前的方法有明显的区别：之前工作是基于非对称特征的方法，基于最优传输设计从源表示到目标表示的转换，而WDGRL是一种对称方法，将两个域投影到一个公共的潜在空间来学习域不变特征。WDGRL可以集成到其他基于对称特征的自适应框架中。