Key points are not available for this paper at this time.
Die Domänenanpassung wird vorgeschlagen, um das herausfordernde Problem zu behandeln, bei dem die Wahrscheinlichkeitsverteilung der Trainingsquelle von der Testzielverteilung abweicht. In letzter Zeit hat sich das adversariale Lernen als dominierende Technik für die Domänenanpassung etabliert. Üblicherweise trainieren adversariale Domänenanpassungsmethoden gleichzeitig einen Merkmalslerner und einen Domänendiskriminator, um domäneninvariante Merkmale zu erlernen. Infolgedessen wird es zur Herausforderung in der Gemeinschaft, das domänen-adversariale Modell effektiv zu trainieren, um domäneninvariante Merkmale zu erlernen. Zu diesem Zweck schlagen wir in diesem Artikel ein neuartiges Domänenanpassungsschema namens adversariale Entropie-Optimierung (AEO) vor, um die Herausforderung anzugehen. Konkret minimieren wir die Entropie, wenn die Proben aus den unabhängigen Verteilungen der Quell- oder Ziel-Domäne stammen, um die Diskriminierbarkeit des Modells zu verbessern. Gleichzeitig maximieren wir die Entropie, wenn Merkmale aus der kombinierten Verteilung von Quelle- und Ziel-Domäne stammen, sodass der Domänendiskriminator verwirrt werden kann und die Übertragbarkeit von Repräsentationen gefördert wird. Dieses Minimax-Regime passt gut zur Kernidee des adversarialen Lernens und stattet unser Modell mit Übertragbarkeit sowie Diskriminierbarkeit für Domänenanpassungsaufgaben aus. Darüber hinaus ist AEO flexibel und kompatibel mit verschiedenen tiefen Netzwerken und Domänenanpassungsrahmen. Experimente an fünf Datensätzen zeigen, dass unsere Methode eine Leistung auf dem neuesten Stand der Technik über verschiedene Domänenanpassungsaufgaben hinweg erreichen kann.
Ma et al. (Mon,) haben diese Frage untersucht.