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。