【NeurIPS2021】任务导向的无监督域自适应

任务导向的无监督域自适应 Task-oriented Alignment for Unsupervised Domain Adaptation 论文摘要：本文工作关注于无监督的域自适应（UDA）技术，即如何在新的场景中利用有标签的数据来做训练，使得模型在新的目标数据域中能有尽可能好的性能。目前的 UDA 技术着眼于如何将源数据和新数据的特征通过对齐来减小分布的差异。然而，对于这一类的方法的对齐方式，没有信息显式地指导对齐的特征应该是对分类任务有帮助的。针对这一情况，我们提出了一种可以广泛应用任务导向的 UDA 方法，目标是为了在对齐两个域的特征分布的时候，能在分类任务的知识的引导下，朝着服务于分类任务的方向进行优化。具体来说，我们利用分类任务中的和最终结果有关的梯度显示地将分类任务的知识引入到了特征对齐任务，实现任务导向的特征对齐。我们的方法适用于目前绝大多数基于特征对齐来实现域自适应的方法，我们验证了在无监督、半监督等多个的域自适应任务中都可以取得最好的结果。

https://www.zhuanzhi.ai/paper/dadc28df655924e3851e62350fc686c9