基于多分类器差异的噪声矫正域适应学习

无监督域适应学习旨在利用相关标签丰富的源域知识帮助缺少标签信息的目标域学习,目前常见的域适应方法通常假设源域数据是正确标记的。然而,实际存在的噪声环境会使得源域样本的标签和特征被破坏。为解决源域带噪这一问题,提出基于多分类器差异的噪声矫正域适应学习(NCDA)。首先,利用模型中多分类器间的输出差异,提出一个更精细的分类标准,将源域数据分为特征噪声样本、标签噪声样本、干净样本;其次,针对噪声类型提出不同的矫正方法,并将矫正后的样本重新投入模型中训练;最后,采用随机分类器的思想优化模型。在Office-31、Office-Home及Bing-Caltech数据集上与现有算法进行比较,分类准确率比次优方法高0.2%~1.6%,实验结果表明了NCDA的有效性与鲁棒性。

基于自适应噪声校正的鲁棒域适应学习

域适应(Domain Adaptation, DA)学习旨在利用标签丰富的源域来帮助标签稀缺的目标域学习。DA方法通常假设源域数据已正确标记,然而现实中通常很难收集到大量带有干净标签的源实例,带有噪声源标签的噪声DA学习可能会降低目标学习性能。为此,本文提出基于自适应标签噪声校正的鲁棒DA学习方法(Robust DA Method through Adaptive Noise Correction, RoDAC)。RoDAC包含两个学习阶段,即自适应噪声标签检测(Adaptive Noise Label Detection, ANLD)和自适应噪声标签校正(Adaptive Noise Label Correction, ANLC)。在ANLD中,使用自适应噪声检测器识别带有噪声标签的源实例,并进一步在ANLC中自适应地校正噪声标签,将其重新投入域适应学习中。与基准数据集进行比较,结果表明RoDAC方法在源域标签存在噪声的域适应场景中取得了显著的性能提升。该学习策略可集成至许多现有的DA方法中,以提升其在噪声标签场景下的学习性能。