Domänenkonsens-Clustering für universelle Domänenanpassung

In diesem Artikel untersuchen wir das Universal Domain Adaptation (UniDA)-Problem, das darauf abzielt, Wissen von einer Quell- auf eine Zieldomäne zu übertragen, unter der Herausforderung unüberlappender Labelräume. Die zentrale Schwierigkeit bei UniDA besteht darin, gemeinsame Klassen (d. h. Klassen, die in mehreren Domänen gemeinsam vorkommen) von privaten Klassen (d. h. Klassen, die nur in einer einzigen Domäne existieren) zu trennen. Bisherige Ansätze behandeln die privaten Proben in der Zieldomäne als eine generische Klasse, wodurch deren inhärente Struktur ignoriert wird. Dadurch ergeben sich in der latenten Raumrepräsentation nicht ausreichend kompakte Merkmale, die leicht mit den gemeinsamen Klassen verwechselt werden können. Um die inhärente Struktur der Zieldomäne besser auszunutzen, schlagen wir Domain Consensus Clustering (DCC) vor, das Wissen über Domänenkonsens nutzt, um diskriminative Cluster sowohl auf gemeinsamen als auch auf privaten Proben zu entdecken. Konkret gewinnen wir das Domänenkonsenswissen aus zwei Aspekten, um die Clusterbildung und die Identifikation privater Klassen zu unterstützen: zum einen den semantischen Konsens, der zyklus-konsistente Cluster als gemeinsame Klassen identifiziert, und zum anderen den probenbasierten Konsens, der die Übereinstimmung bei der Klassifikation über Domänen hinweg nutzt, um die Anzahl der Cluster zu bestimmen und private Klassen zu erkennen. Auf Basis von DCC gelingt es uns, die privaten Klassen von den gemeinsamen zu trennen und zudem die privaten Klassen untereinander zu unterscheiden. Schließlich wenden wir eine klassenbewusste Ausrichtungstechnik auf identifizierte gemeinsame Proben an, um die Verteilungsverschiebung zu minimieren, sowie einen prototypenbasierten Regularisator, um diskriminative Cluster in der Zieldomäne zu fördern. Experimente an vier Benchmark-Datensätzen zeigen, dass DCC die bisherigen State-of-the-Art-Methoden signifikant übertrifft.