Blending-Ziel-Domain-Anpassung durch adversarielle Meta-Anpassungsnetzwerke

(Unüberwachte) Domänenanpassung (DA) strebt danach, Zielinstanzen zu klassifizieren, wenn nur mit etikettierten Quell- und unetikettierten Zielbeispielen für das Training zur Verfügung steht. Das Lernen von domäneninvarianten Merkmalen hilft dabei, dieses Ziel zu erreichen, wobei es die unetikettierten Stichproben aus einer einzelnen oder mehreren expliziten Zieldomänen (Mehrziel-Domänenanpassung [Multi-target DA]) stützt. In dieser Arbeit betrachten wir ein realistischeres Transferszenario: Unsere Zieldomäne besteht aus mehreren implizit miteinander vermischten Teilzielen, sodass Lernende nicht identifizieren können, welchem Teilziel jede unetikettierte Stichprobe zugeordnet ist. Dieses Szenario der vermischt-zieligen Domänenanpassung (BTDA) tritt häufig in der Praxis auf und bedroht die Gültigkeit der meisten existierenden DA-Algorithmen aufgrund der vorhandenen Domänenspannungen und kategorialen Fehlanpassungen zwischen diesen verborgenen Teilzielen.Um die Leistungsgewinne des Transfers in diesem neuen Szenario zu erzielen, schlagen wir das Adversarische Meta-Anpassungsnetzwerk (AMEAN) vor. AMEAN umfasst zwei adversarische Transferlernprozesse. Der erste ist ein konventioneller adversarischer Transfer, um unsere Quell- und gemischte Zieldomänen zu verbinden. Um die innerzielige Kategoriefehlanpassung zu umgehen, präsentiert sich der zweite Prozess als „Lernen des Anpassens“: Er setzt ein unüberwachtes Meta-Lerner ein, das Zieldaten und deren fortlaufende Feedbacks im Merkmalslernen erhält, um Zielcluster als unsere „Meta-Teilziele“ zu entdecken. Diese Meta-Teilziele gestalten unser Meta-Teilziel DA-Verlustfunktion selbstständig neu, was den impliziten Kategorienmissmatch in unserem gemischten Ziel empirisch beseitigt. Wir evaluieren AMEAN und eine Vielzahl von DA-Algorithmen in drei Benchmarks unter der BTDA-Einrichtung. Empirische Ergebnisse zeigen, dass BTDA eine sehr herausfordernde Transfereinrichtung für die meisten existierenden DA-Algorithmen darstellt; trotzdem übertrifft AMEAN diese Stand-of-the-Art-Baselines erheblich und reduziert die negativen Transferwirkungen in BTDA effektiv.