Partielle adversarische Domänenanpassung

Domänen-gegnerisches Lernen aligniert die Merkmalsverteilungen zwischen Quell- und Zielbereichen in einem Zweispiele-Minimax-Spiel. Bestehende domänen-gegnerische Netzwerke gehen in der Regel davon aus, dass der Labelraum über verschiedene Bereiche hinweg identisch ist. Im Kontext von Big Data gibt es eine starke Motivation, tiefere Modelle von existierenden großen Bereichen auf unbekannte kleine Bereiche zu übertragen. Dieses Papier führt die partielle Domänenanpassung als neue Anpassungssituation ein, bei der die Annahme eines vollständig geteilten Labelraums gelockert wird, sodass der Quell-Labelraum den Ziel-Labelraum umfasst. Frühere Methoden passen in der Regel den gesamten Quellbereich an den Zielbereich an, was bei der partiellen Domänenanpassung aufgrund des großen Unterschieds zwischen den Labelräumen anfällig für negative Übertragung ist. Wir präsentieren die Partielle Gegnerische Domänenanpassung (Partial Adversarial Domain Adaptation, PADA), die gleichzeitig negative Übertragung durch Abwägen der Daten von Ausreißer-Klassen im Quellbereich beim Training sowohl des Quellklassifizierers als auch des Domänengegners reduziert und positive Übertragung durch Angleichung der Merkmalsverteilungen im gemeinsamen Labelraum fördert. Experimente zeigen, dass PADA bei mehreren Datensätzen bessere Ergebnisse als state-of-the-art-Methoden für partielle Domänenanpassungsprobleme erzielt.