Wiederverwendung des aufgabebezogenen Klassifikators als Diskriminator: diskriminatorfreie adversarische Domänanpassung

Adversariales Lernen hat bemerkenswerte Leistungen bei der unsupervisierten Domänenanpassung (UDA) erzielt. Bestehende adversariale UDA-Methoden verwenden typischerweise einen zusätzlichen Diskriminator, der in einem Minimax-Spiel mit einem Merkmalsextraktor agiert. Allerdings nutzen die meisten dieser Methoden die vorhergesagte diskriminative Information nicht effektiv, was zu einer Mode-Kollaps-Problematik beim Generator führt. In dieser Arbeit greifen wir dieses Problem aus einer anderen Perspektive an und entwickeln ein einfaches, aber wirksames adversariales Paradigma in Form eines diskriminatorfreien adversarial learning networks (DALN), bei dem der Klassifikator wiederverwendet wird, um als Diskriminator zu fungieren. Dies ermöglicht eine explizite Domänenalignment und Klassendifferenzierung durch ein einheitliches Ziel, wodurch DALN die vorhergesagte diskriminative Information ausreichend für eine tiefe Merkmalsalignment nutzen kann. Grundsätzlich führen wir eine Nuclear-norm-Wasserstein-Diskrepanz (NWD) ein, die eine klare Leitfunktion für die Diskriminierung besitzt. Diese NWD kann nahtlos mit dem Klassifikator kombiniert werden, um als Diskriminator zu dienen, der die K-Lipschitz-Bedingung erfüllt, ohne zusätzliche Gewichtsklippung oder Gradientenstrafe zu erfordern. Ohne aufwändige Zusatzkomponenten erreicht DALN gegenüber bestehenden State-of-the-Art (SOTA)-Methoden auf einer Vielzahl öffentlicher Datensätze überzeugende Ergebnisse. Darüber hinaus kann NWD als plug-and-play-Technik direkt als generischer Regularisator eingesetzt werden, um bestehende UDA-Algorithmen zu verbessern. Der Quellcode ist unter https://github.com/xiaoachen98/DALN verfügbar.