基于类内最大均值差异的无监督领域自适应算法

• 作者: 李嘉豪 蔡瑞初 郝志峰
• 来源期刊: 计算机应用研究
• 关键词: 领域自适应 无监督学习 神经网络 最大均值差异
• 年，卷（期）: 2020,（8）
• 所属期刊栏目: 算法研究探讨
• 页码范围: 2371-2375
• 页数: 5页
• 分类号: TP301.6
• 语种: 中文
• DOI: 10.19734/j.issn.1001-3695.2019.03.0042

摘要

传统的无监督领域自适应算法在对齐总体分布时存在分类信息流失问题,难以保证迁移学习效果.针对这个问题,提出了一种基于类内最大均值差异的分布对齐策略.该策略首先预测所有样本的伪标签,然后借助伪标签样本信息依次对齐每个类别的领域类内分布.在深度学习框架下,所提算法能够有效保留分类信息,提高了目标领域的预测能力.实验结果表明,与传统算法比较,所提算法在多个基准数据集上获得了最优的迁移学习效果.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	郝志峰		166	940	14.0	20.0
2	蔡瑞初		66	279	10.0	13.0
3	李嘉豪		3	0	0.0	0.0