Unüberwachte visuelle Domänenanpassung: Ein Ansatz mit tiefen Max-Margin-Gaußprozessen

Im Bereich der unüberwachten Domänenanpassung ist es weitgehend bekannt, dass der Fehler im Zielbereich beweisbar reduziert werden kann, indem eine gemeinsame Eingabepräsentation verwendet wird, die Quell- und Zielbereiche voneinander nicht unterscheidbar macht. In sehr jüngster Zeit wurde untersucht, dass nicht nur das Angleichen der marginaLEN Eingabeverteilungen, sondern auch die Ausrichtung der Ausgabe-(Klassen-)Verteilungen von entscheidender Bedeutung ist. Letzteres kann durch die Minimierung der maximalen Diskrepanz der Prädiktoren (Klassifizierer) erreicht werden. In dieser Arbeit übernehmen wir dieses Prinzip, schlagen aber einen systematischeren und effektiveren Weg vor, um Hypothesenkonsistenz durch Gaußsche Prozesse (GP) zu erzielen. Der GP ermöglicht es uns, einen Hypothesenraum für die Klassifizierer aus der A-posteriori-Verteilung der latenten Zufallsfunktionen zu definieren/zu induzieren, was das Lernen in ein einfaches Problem der großen Margen-A-posteriori-Trennung verwandelt – ein Problem, das viel leichter zu lösen ist als frühere Ansätze auf Basis von adversarischen Minimax-Optimierung. Wir formulieren ein Lernziel, das den A-posteriori-Effekt effektiv dazu bringt, die maximale Diskrepanz zu minimieren. Dies wird ferner als äquivalent zur Maximierung der Margen und zur Minimierung der Unsicherheit der Klassenvorhersagen im Zielbereich gezeigt, ein Prinzip, das in klassischem (halb-)überwachtem Lernen gut etabliert ist. Empirische Ergebnisse demonstrieren, dass unser Ansatz vergleichbar oder überlegen den existierenden Methoden auf mehreren Benchmark-Datensätzen für Domänenanpassung ist.