Aligning Domain-Specific Distribution and Classifier for Cross-Domain Classification from Multiple
转自:https://blog.csdn.net/qq_33244951/article/details/100987483
本论文是我在读迁移学习方面阅读和理解最为轻松的一篇,论文条理清晰容易理解。方法简单有效,思路明了,实验也做的非常全面,而且对我等初学者很是友好,可以学习学习人家的方法和思路进行一些实验和思考,好了直接上货:
论文:Aligning Domain-Specific Distribution and Classifier for Cross-Domain Classification from Multiple Sources
代码:https://github.com/easezyc/deep-transfer-learning
Motivation
近年来,基于深度学习的多源无监督域自适应(MUDA)算法主要通过将所有对源域和目标域在一个公共特征空间中的分布进行对齐,来提取所有域的公共域不变表示。然而,通常很难为所有域MUDA提取相同的域不变表示。此外,这些方法在不考虑类之间特定于领域的决策边界的情况下匹配分布。本文正是为要解决这些问题,提出一个新的两阶段对齐框架,1)不仅将每一对源和目标域的分布在多个特定的领域空间对齐(使用mmd),2)还将分类器的输出,利用每两个特定于域的边界差最小化之和求得。
Method
previous work
对于多源域的迁移学习,简单来说就是多对一的迁移,以前的做法是:对于多对源域-目标域进行同一个空间的学习,最小化其损失函数(如下)求得:
其中J(,:,)表示交叉熵函数(分类损失函数);D(,:,)表示两领域间的度量距离(例如使用MMD等);F(.)表示特征提取器用于将所有领域映射到同一个特征空间;C(.)表示分类器。
Two-stage alignment Framework
本文提出的两阶段的对齐框架包括三部分:
1)共同特征提取器:作为特征提取器的一个子网络,用于提取所有领域的共同特征
2)特定领域特征提取器:将每对源领域-目标域的提取特征映射到一个特定特征空间(类似单领域迁移)
3)特定领域分类器 :由2)后对每对特定领域进行softmax分类输出对其使用交叉熵损失函数:
Domain-specific Distribution Alignment
对于第一阶段特定领域分布的对齐,论文还是使用的著名的Maximum Mean Discrepancy (MMD)对两领域进行度量,通过将源领域和目标域映射到再生核希尔伯特空间使用MMD测量:
一般实际中输入数据使用的MMD如下:
在论文中对于特地领域分布对齐所使用的MMD损失函数为:
Domain-specific Classifier Alignment
对于第二阶段特定领域分类器的对齐,作者认为类边界附近的目标样本更容易被从源样本中学习到的分类器错误分类。分类器是针对不同的源域进行训练的,因此对目标样本特别是类边界附近的目标样本的预判可能存在分歧。所以直观上认为,不同分类器预测的同一目标样本应该得到相同的预测。因此,第二个对齐阶段是最小化所有分类器之间的不一致性。作者利用所有分类器对目标域数据概率输出之差的绝对值作为差异损失:
Multiple Feature Spaces Adaptation Network
对此,作者通过以上特定领域分布对齐和特定领域分类器对齐,即基于利用特征和分类器同时适配进行多源迁移,提出一个多层特征空间适配网络(MFSAN)。总体的损失函数即为两阶段对齐中的各自损失函数和特定领域分类器的交叉熵损失函数之和:
其中论文中也给出了整体网络框架的算法流程:
一点想法
1)个人觉得论文行云流水,通特易解,实验充分有据,是一篇非常值得阅读学习的迁移学习的文章。
2)损失函数
3)两阶段
4)其他目的
Aligning Domain-Specific Distribution and Classifier for Cross-Domain Classification from Multiple相关推荐
- Cross Domain Knowledge Transfer for Person Re-identification笔记
Cross Domain Knowledge Transfer for Person Re-identification笔记 1 介绍 2 相关工作 3 方法 3.1 特征提取的ResNet 3.2 特 ...
- 关于ajax跨域请求(cross Domain)
Cross Domain AJAX主要就是A.com网站的页面发出一个XMLHttpRequest,这个Request的url是B.com,这样的请求是被禁止的,浏览器处于安全考虑不允许进行跨域访问, ...
- 添加本地图层出现要求cross domain policy的错误
错误描述: A security exception occured while trying to connect to the REST endpoint. Make sure you have ...
- MDSF:DSL(Domain Specific Language)介绍
前面介绍过模型 驱动开发(MDD) .软件 工厂(Software factory) .特定领 域建模 DSM(Domain Specific) 等都是高抽象的开发方法,这些方法使用的语言都是特定领域 ...
- DSL(Domain Specific Language)介绍
前面介绍过模型驱动开发(MDD).软件工厂(Software factory).特定领域建模 DSM(Domain Specific)等都是高抽象的开发方法,这些方法使用的语言都是特定领域语言(DSL ...
- Domain Specific Compiling: 领域编译器发展的前世今生 • 面向AI的编译技术
from: 领域编译器发展的前世今生 • 面向AI的编译技术 作者简介: 张朔铭,博士研究生,正在中国科学院计算技术研究所崔慧敏研究员指导下攻读计算机系统结构博士学位,目前主要的研究方向是AI编译. ...
- Elastic Stack核心技术实战02--Elasticsearch中的Domain Specific Language详解
上一篇博客中给大家介绍了Elasticsearch单机版的环境搭建以及简单的增删改查,今天我们就来学习一下Elasticsearch的Domain Specific Language,也就是我们常说的 ...
- CF Distance: A New Domain Discrepancy Metric and Application to Explicit Domain Adaptation for Cross
1.作者介绍 复旦大学大数据学院庄吓海老师团队 主要研究多模态医学影像分析 庄老师在MICS上的报告 zxh@fudan.edu.cn 吴富平 也是复旦大学老师 但是没有相关的百度搜索结果 两位老师的 ...
- iframe cross domain
http://blog.cakemail.com/the-iframe-cross-domain-policy-problem/ 转载于:https://www.cnblogs.com/dmdj/p/ ...
- 部署在SAP云平台上的应用, 该如何解决跨域问题Cross Domain
要获取更多Jerry的原创文章,请关注公众号"汪子熙":
最新文章
- 一种消息和任务队列——beanstalkd
- 如何为ListView中的ImageView添加动画,谢谢!
- 很好的linux启动说明( bootsect.S、setup.S、head.S)
- php.ini settimelimit,PHP-set_time_limit()和ini_set('max_execution_time',...)之间的区别...
- java 重载 大于_详解java重载与覆写的区别
- mac地址修改_Mac 地址是什么?Mac 地址的修改及妙用!
- 三角形周长最短问题_2019年中考数学压轴题分析——最短路径问题8:造桥选址...
- Android自定义Toast
- 在工作中你卑微到什么程度?
- 蓝牙 AVRCP 剖析
- python头像右上角加红色数字_「微信头像右上角数字」微信头像右上角红色数字怎么添加? - seo实验室...
- js 格式化UTC日期
- PKI体系(公钥基础设施)
- 江苏事业单位——计算机类
- npm 报错 426 Upgrade Required
- Webpack4+Babel7+ES6兼容IE8
- 再次慨叹生命的脆弱,我辈当惜之
- C语言基础-数组逆序输出
- 人间不值得计算机谱子,人间不值得简谱-黄诗扶演唱-桃李醉春风曲谱
- 华为计算机技能,华为笔记本电脑技术参数及功能一览