基于欧式距离对偶的对抗性无监督域适应算法研究

摘要

在无监督域适应中,对抗性训练框架验证了双分类器差异度量对迁移学习的重要性。经典的UDA算法采用类内差异来度量双分类器的距离,例如L-1范数和Kullback-Leibler散度。本文从几何角度出发,考虑欧式空间中的双分类器的分布,以及传统的双分类器算法的不足,提出了一种新的欧式对偶度量,并将其纳入到对抗性的UDA框架中。欧式对偶度量能够有效扩大双重分类器在假设空间中的分布。另外,本文也为欧式对偶度量的理论误差上届提供了理论依据。在公共UDA数据集上的实验表明,欧式对偶对抗算法在小规模数据集Digits、中规模数据集Office-31和大规模数据集VisDA的平均准确率分别为98.3%、87.8%和81.7%,很大程度上优于其他具有类内差异的双分类器UDA方法,并取得了与最先进方法相当的结果。