【AAAI2022】领域自适应的主动学习:一种基于能量的方法

无监督域自适应是一种将深度神经网络泛化到新目标域的有效范式。然而，要达到完全监督的性能，仍有巨大的潜力有待挖掘。在本文中，我们提出了一种新的主动学习策略来辅助目标领域中的知识迁移，称为主动领域自适应。我们从一个观察开始，当训练(源)和测试(目标)数据来自不同的分布时，基于能量的模型表现出自由能量偏差。受这一内在机制的启发，我们从经验上揭示了一个简单而有效的基于能量的采样策略，它比现有的需要特定架构或计算距离的方法更能帮助我们选择最有价值的目标样本。我们的算法，基于能量的主动域自适应(EADA)，在每一轮的选择中查询集域特征和实例不确定性的目标数据组。同时，通过正则化项将目标数据压缩的自由能对准源域，可以隐式地减小域间隙。通过大量的实验，我们证明了EADA在众所周知的具有挑战性的基准测试中取得了重大改进，超越了最先进的方法，使其成为开放世界中一个有用的选项。代码可以在https://github.com/BIT-DA/EADA上找到。

https://www.zhuanzhi.ai/paper/b2cbb3e492535323da57811cc8dd9b1f