【伯克利-滴滴出行】深度学习多源领域自适应综述论文

在许多实际应用中，获取足够的大规模标记数据以充分训练深度神经网络通常是困难和昂贵的。因此，将学习到的知识从一个单独的、标记过的源域转移到一个未标记或标记稀疏的目标域成为一种有吸引力的选择。然而，直接转移常常由于域转移而导致显著的性能下降。域适应(DA)通过最小化源域和目标域之间域转移的影响来解决这个问题。多源域自适应(Multi-source domain adaptation, MDA)是一种功能强大的扩展，可以从具有不同分布的多个源收集标记数据。由于DA方法的成功和多源数据的流行，MDA在学术界和工业界都受到越来越多的关注。在本次综述中，我们定义了各种MDA策略，并总结了可供评估的可用数据集。我们还比较了深度学习时代的MDA方法，包括潜在空间转换和中间域生成。最后，讨论了未来MDA的研究方向。