【ICLR2022-MIT】图关系域适应

现有的领域适应方法倾向于平等地对待每个领域，并将它们完美地结合起来。这种一致排列忽略了不同域之间的拓扑结构; 因此，它对于邻近域可能是有益的，但是对于远的域不一定是有益的。在本研究中，我们通过使用域图来编码域邻接来放松这种统一对齐，例如，在美国的一个州图中，每个州作为域，每个边表示邻接，从而允许域根据图结构灵活地对齐。利用基于编码条件的图嵌入，提出了一种新的图鉴别器来泛化现有的对抗学习框架。理论分析表明，在均衡状态下，该方法恢复了图为团时的经典域自适应，并对其他类型的图实现了非平凡对齐。实验结果表明，该方法成功地对均匀对齐进行了泛化，自然地融合了由图表示的领域信息，并在合成数据集和真实数据集上对现有的领域自适应方法进行了改进。代码将很快在https://github.com/Wang-ML-Lab/GRDA上提供。

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“CRDA” 就可以获取《【ICLR2022-MIT】图关系域适应》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