基于可調節判別器的領域適應

趙小強, 蔣紅梅

(1. 蘭州理工大學 電氣工程與信息工程學院, 甘肅 蘭州 730050; 2. 蘭州理工大學 甘肅省工業過程先進控制重點實驗室, 甘肅 蘭州 730050; 3. 蘭州理工大學 國家級電氣與控制工程實驗教學中心, 甘肅 蘭州 730050)

基于有監督的深度卷積神經網絡已經在很多應用領域取得了顯著的成就[1]，然而在有監督學習中，一個泛化能力強的模型往往需要大量的標記數據.數據的收集和標注過程費時費力、成本高，這使得基于有監督的深度卷積神經網絡算法難以訓練出一個泛化能力較強的模型.此外，在真實場景中，由于環境的變化，訓練數據集和真實數據集之間存在分布差異，導致有監督的模型泛化能力較差[2].針對上述問題，領域適應(domain adaptation,DA)[3]應運而生，利用其他領域的標記樣本在領域間建立橋梁，同時對無標記的目標域進行適配，從而提高目標域的預測質量.領域適應在計算機視覺和自然語言等領域有著較為廣泛的應用，如使用電商網站上已經分類好的圖片數據對手機拍攝圖片進行分類[4]，使用已有情感標記的電影評論數據對快餐評論數據進行情感預測[5]，這些問題都屬于領域適應研究的范疇.領域適應消除了訓練數據和測試數據必須服從獨立同分布的限制，解決了標準監督學習所面臨的訓練數據不足、訓練數據與測試數據存在分布偏移的問題.

近年來，DA算法取得了快速發展.早期的典型算法是基于最大均值差異(maximum mean difference,MMD)，其核心思想是將不……