2021-05-15

题目：Curriculum Graph Co-Teaching for Multi-Target Domain Adaptation

作者：Subhankar Roy1,2, Evgeny Krivosheev1

• 研究动机

考虑到未标记数据的激增，仅仅适应单一目标域的需要，在现实场景中已经失去了吸引力。

 

• 研究目标

学习一个可以适应多种目标域的鲁棒的分类器

 

• 技术方法

Curriculum Graph Co-Teaching (CGCT)	Curriculum Graph Co-Teaching (CGCT)	domain discriminator D
		Feature extractor F
		classifier	MLP classifier
			GCN classifier Ggcn
	Domain-aware Curriculum Learning（DCL）

1. Curriculum Graph Co-Teaching

CGCT运用GCN来综合特征，并用课程学习（curriculum learning）方法来生成伪标签。每个课程学习步骤又可以分为以下两步：

1. Adaptation stage

特征输入MLP分类器时，会输出样本属于某个类的概率

特征输入GCN分类器时，先在边模块处输出相似性矩阵，最后经过图网络更新节点，输出样本属于某个类的概率

由于边模块的学习需要带标签样本，所以将MLP分类器和图网络进行互训练，用MLP分类器的输出（＞阈值）作为图网络的真实值，使图网络向真实值靠拢

用源域样本训练MLP分类器和图网络

总损失

1. Pseudo-labelling stage（curriculum aspect）

伪标签用来训练MLP分类器和图网络

伪标签选择标准：

将具有伪标签的目标域样本加入源域

更新；

由于样本的域标签并未改变，因此不变。

1. Domain-aware Curriculum Learning

1. Domain selection stage

根据不确定性选择一个最近的域

1. Adaptation stage

与上一模块相同，用公式（9）训练模块

1. Pseudo-labeling stage

与上一模块相同，选择可靠伪标签并根据下式更新源域目标域并训练：

• 提出方法的依据

1、不同的目标域和源域存在不同的域抖动