Key points are not available for this paper at this time.
Wir erweitern das semi-supervised Lernen auf das Problem der Domänenanpassung zu signifikant genaueren Modellen, die auf einer Datendistrubition trainieren und auf einer anderen testen. Mit dem Ziel der Generalität führen wir eine Methode ein, die die Aufgaben der unüberwachten Domänenanpassung (UDA), des semi-supervised Lernens (SSL) und der semi-supervised Domänenanpassung (SSDA) vereint. In einer umfangreichen experimentellen Studie vergleichen wir ihr Verhalten mit dem Stand der Technik aus SSL, SSDA und UDA bei visuellen Aufgaben. Wir stellen fest, dass AdaMatch entweder mit dem Stand der Technik übereinstimmt oder diesen in jedem Fall erheblich übertrifft, wobei dieselben Hyperparameter unabhängig von Datensatz oder Aufgabe verwendet werden. Zum Beispiel verdoppelt AdaMatch fast die Genauigkeit im Vergleich zum vorherigen Stand der Technik bei der UDA-Aufgabe für DomainNet und sogar die Genauigkeit des vorherigen Standes der Technik, die mit Pre-Training erzielt wurde, um 6,4%, während AdaMatch vollständig von Grund auf neu trainiert wird. Darüber hinaus erhöht AdaMatch mit nur einem beschrifteten Beispiel pro Klasse aus der Zielgruppe (d.h. der SSDA-Einstellung) die Zielgenauigkeit um 6,1% und mit 5 beschrifteten Beispielen um 13,6%.
Berthelot et al. (Di,) untersuchten diese Frage.