Backprop-Induzierte Merkmalsgewichtung für adversariale Domänenanpassung mit iterativer Label-Verteilungsausrichtung

Die Anforderung großer gelabelter Datensätze stellt einen der zentralen Hemmnisse für die Schulung präziser tiefer neuronalen Netze dar. Unüberwachte Domänenanpassung adressiert dieses Problem der begrenzten Trainingsdaten, indem Wissen aus einer Domäne mit zahlreichen gelabelten Daten auf eine andere Domäne übertragen wird, für die nur wenige oder gar keine gelabelten Daten verfügbar sind. Ein gängiger Ansatz besteht darin, domäneninvariante Merkmale zu lernen, beispielsweise mittels eines adversarialen Ansatzes. Bisherige Methoden trainieren oft den Domänenklassifikator und den Label-Klassifikator getrennt, wobei beide Klassifikationsnetze nur geringe Wechselwirkung miteinander aufweisen. In diesem Artikel stellen wir eine auf Klassifikatoren basierende, durch Rückpropagation induzierte Gewichtung des Merkmalsraums vor. Dieser Ansatz bietet zwei Hauptvorteile: Erstens ermöglicht er es dem Domänenklassifikator, sich auf jene Merkmale zu konzentrieren, die für die Klassifikation entscheidend sind, und zweitens verbindet er die Klassifikations- und adversariale Verzweigung enger miteinander. Darüber hinaus führen wir eine iterative Methode zur Ausrichtung der Label-Verteilung ein, die Ergebnisse früherer Durchläufe nutzt, um einen klassenbalancierten Datenaufbereiter zu approximieren. Wir führen Experimente und Ablationsstudien an drei Benchmarks – Office-31, OfficeHome und DomainNet – durch, um die Wirksamkeit unseres vorgeschlagenen Algorithmus zu belegen.