Domain Adaptation without source data阅读笔记

介绍

该论文解决的问题：

• 没有源数据集，只有在源数据集上训练的模型，怎样进行迁移学习
• 如何判断某个target data为哪个class
• target data没有ground truth时，如何解决训练时发生分类偏移的情况

针对上面三个问题，论文提出了对应的解决方法

• 设计新的网络结构
• 设计APM模块对target data进行分类
• 设计Confidence-based filtering来制约

下面介绍根据这三个解决方法进行介绍

论文主要内容

设计新的网络结构

结构

这个网络主要有三部分：pre-trained model,trainable model和APM
pre-trained model：在source data上预训练好的模型，在整个训练过程中不变
trainable model：论文中要在target data上训练的模型，初始化时：
APM：存放每个类别的代表样本，当有样本送到网络中时，与里面的代表样本计算距离，然后打分，打分高的类别就贴上对应的label

训练过程

1. 初始化trainable model,参数Fs->Ft，Cs->Cs2t，Cs->Ct
2. target data送到pre-trained model中得到伪标签ys，根据ys计算Lsource，计算公式如下：
   
3. target data送到trainable model中，得到特征ft，ft送到APM中得到类别，和对应的伪标签yt，公式如下：其中Pc为每个样板
   
4. 计算ft打分最高的两个类别，然后计算ft与两个类别的霍思达夫距离，判断是否舍弃不合理的样本。公式如下
   
5. 根据ys和w计算Lself和总的Loss，计算公式如下：
   

设计APM模块

APM中存放每个类的代表性样本(样板)，作者提出自熵越小的样本越有资格作为样板。每个类别有多少个样板？作者提出了自适应的阈值。
APM初始化和更新方式:

1. 计算样本的熵,l(xt)为Ct得到的类别概率
2. 对于每个类别得到一个熵集
3. 取所有熵集中最小值的最大值作为阈值
4. 如果一个样本的熵 < 阈值，那么将这个样本作为样板

上述公式如下：

设计Confidence-based filtering

这个主要解决一个问题：target data没有正确的ground truth，训练的过程容易发生偏移。具体可见训练过程中的第四步。

实验结果

实验结果如下：