【AAAI2022】GearNet:弱监督领域自适应的逐步对偶学习

本文研究了弱监督域自适应(WSDA)问题，在该问题中，我们只能访问带噪声标签的源域，从源域中我们需要将有用的信息传递到无标签的目标域。虽然对这个问题的研究不多，但大多数研究都只是利用源域到目标域的单向关系。在这篇论文中，我们提出了一个通用的范例叫做GearNet来开发两个领域之间的双边关系。具体而言，我们将两个域作为不同的输入，交替训练两个模型，并使用非对称Kullback-Leibler损耗在同一域选择性地匹配两个模型的预测。这种交互式学习模式能够隐式地消除标签噪声，并利用源域和目标域之间的相关性。因此，我们的GearNet具有极大的潜力来提高各种现有WSDL方法的性能。综合实验结果表明，该系统能够显著提高现有算法的性能。

https://www.zhuanzhi.ai/paper/5181b75bf456c1e5eefb1515bfdf3c19

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“GNETS” 就可以获取《【AAAI2022】GearNet:弱监督领域自适应的逐步对偶学习》专知下载链接

专知，专业可信的人工智能知识分发 ，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取70000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取70000+AI主题知识资源