In diesem Artikel wird eine neue Methode namens DCPL (De-Confusing Pseudo-Labels) vorgestellt, die sich auf die Herausforderungen der quellenfreien Domänenanpassung (SFDA) konzentriert. SFDA zielt darauf ab, ein auf einer Quelldomäne trainiertes Modell an eine ungelabelte Zieldomäne anzupassen, ohne Zugriff auf die Quelldaten zu haben.
Ein Schlüsselproblem in SFDA ist die Reduzierung der Fehlerakkumulation, die durch Domänenverschiebungen verursacht wird. Bestehende Methoden konzentrieren sich auf Selbsttraining unter Verwendung von Ziel-Pseudo-Labels und Entropie-Minimierungstechniken. Diese generierten Pseudo-Labels neigen jedoch aufgrund der Domänenverschiebung zu Rauschen.
DCPL geht dieses Problem aus der Perspektive des Lernens mit Labelrauschen (LLN) an und schlägt einen neuartigen Ansatz vor, der speziell für Domänenanpassungsszenarien entwickelt wurde. DCPL lernt eine Rauschübergangsmatrix, um die Labelverzerrung der Pseudo-Labels zu erfassen und eine genauere Schätzung der wahren Klassenzugehörigkeit zu ermöglichen. Darüber hinaus wird Wissen aus dem Quellmodell in den Lernprozess der Übergangsmatrix integriert, um eine noch genauere Schätzung zu erzielen.
Die Leistungsfähigkeit von DCPL wird durch die Integration in verschiedene SFDA-Methoden wie SHOT, SHOT++ und AaD demonstriert. Die Ergebnisse zeigen, dass DCPL neue State-of-the-Art-Leistungen auf drei Domänenanpassungsdatensätzen erzielt: VisDA, DomainNet und OfficeHome.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Idit Diamant... at arxiv.org 03-14-2024
https://arxiv.org/pdf/2401.01650.pdfDeeper Inquiries