Auswahl der Quellklasse mit Label Propagation für partielle Domänenanpassung

Bei herkömmlichen Problemen des unsupervisierten Domänenadaptations wird angenommen, dass die Ziel-Domäne dieselbe Klasse(n)menge wie die Quell-Domäne aufweist. In der Praxis treten jedoch Situationen auf, bei denen die Daten der Ziel-Domäne nur aus einer Teilmenge der Klassen der Quell-Domäne stammen, und es ist nicht bekannt, zu welchen Klassen die Ziel-Domänen-Daten gehören, da diese unlabeled sind. Dieses Problem wurde in der Literatur als partielle Domänenadaptation (Partial Domain Adaptation, PDA) formuliert und stellt eine herausfordernde Aufgabe dar, da das Phänomen der negativen Übertragung auftritt (d. h. Quell-Domänen-Daten, die zu irrelevanten Klassen gehören, schädigen die Domänenadaptation).Wir behandeln das PDA-Problem durch die schrittweise Erkennung von Ausreißerklassen in der Quell-Domäne. Dadurch wird das PDA-Problem auf ein einfacheres Problem des unsupervisierten Domänenadaptations reduziert, das ohne das Problem der negativen Übertragung gelöst werden kann. Konkret verwenden wir die lokalkonservierende Projektion (locality preserving projection), um einen gemeinsamen latenten Unterraum zu lernen, in dem ein Label-Propagation-Algorithmus zur Beschriftung der Ziel-Domänen-Daten eingesetzt wird. Ausreißerklassen können erkannt werden, wenn keine Ziel-Domänen-Daten diesen Klassen zugeordnet werden. Die erkannten Ausreißerklassen werden aus der Quell-Domäne entfernt, und der Prozess wird über mehrere Iterationen wiederholt, bis Konvergenz erreicht ist. Experimentelle Ergebnisse auf üblichen Datensätzen wie Office31 und Office-Home zeigen, dass unsere vorgeschlagene Methode eine state-of-the-art-Leistung erzielt, mit einer durchschnittlichen Genauigkeit von jeweils 98,1 % und 75,4 %.