基于欧式距离对偶的对抗性无监督域适应算法研究

来源：电子测量技术杂志2023年第14期北京时间：

作者：宗子杨，何军，宦海，李庆勇

单位：1.南京信息工程大学人工智能学院 南京 210044; 2.南京信息工程大学电子与信息工程学院 南京 210044

摘要：在无监督域适应中，对抗性训练框架验证了双分类器差异度量对迁移学习的重要性。经典的 UDA算法采用类内差异来度量双分类器的距离，例如L-1范数和Kullback-Leibler散度。本文从几何角度出发，考虑欧式空间中的双分类器的分布，以及传统的双分类器算法的不足，提出了一种新的欧式对偶度量，并将其纳入到对抗性的 UDA框架中。欧式对偶度量能够有效扩大双重分类器在假设空间中的分布。另外，本文也为欧式对偶度量的理论误差上届提供了理论依据。在公共 UDA 数据集上的实验表明，欧式对偶对抗算法在小规模数据集Digits、中规模数据集Office-31和大规模数据集VisDA的平均准确率分别为98.3%、87.8%和81.7%，很大程度上优于其他具有类内差异的双分类器 UDA 方法，并取得了与最先进方法相当的结果。

关键词：域自适应;迁移学习;机器学习;欧式距离

基金资助：国家自然科学基金（62001238）项目资助