典型文献
用于无监督域适应的深度对抗重构分类网络
文献摘要：
最近迁移学习的新方法对抗域适应,将生成对抗网络(GAN)的思想添加到深度网络中,能够学习数据的可迁移表示形式进行域适应.虽然通过GAN的思想能够很好地提取出源域数据和目标域数据的共同特征,有效地进行不同域之间的知识迁移,但现有的对抗域适应算法不能有效地保留目标域数据的局部特征,而目标域数据的某些特征可能会对分类精度有显著的提升.为了避免原始数据的局部特征因对抗性学习遭到破坏,利用多任务神经网络来保留目标域数据的局部特征.提出了一个深度对抗重构分类网络的模型(DARCN).DARCN受到自动编码器的启发,在对抗域适应的基础上,添加了自动编码器的解码部分,这样能够有效地从低维特征重建原始数据.该模型学习了以下任务的共享编码表示:带标签的源域数据的监督分类;不带标签的目标域数据的无监督重构;源域和目标域的不可区分性.最后,最小化标签分类器的分类损失和解码器的重构损失,同时最大化域判别器的分类损失,通过梯度下降法能够有效地解决此类优化问题.实验结果证明了目标域局部特征的保留对领域自适应任务是十分关键的.
文献关键词：
迁移学习;对抗域适应;生成对抗网络(GAN);深度对抗重构分类网络(DARCN);自动编码器
中图分类号：
作者姓名：
林佳伟;王士同
作者机构：
江南大学 人工智能与计算机学院,江苏 无锡 214122;江南大学 江苏省媒体设计与软件技术重点实验室,江苏 无锡 214122
文献出处：
引用格式：
[1]林佳伟;王士同-.用于无监督域适应的深度对抗重构分类网络)[J].计算机科学与探索,2022(05):1107-1116
A类：
DARCN
B类：
无监督域适应,分类网络,迁移学习,对抗域适应,生成对抗网络,GAN,深度网络,够学,学习数据,可迁移,表示形式,源域,目标域,共同特征,知识迁移,局部特征,分类精度,原始数据,对抗性,多任务神经网络,自动编码器,低维特征,特征重建,模型学习,下任,编码表示,监督分类,可区分性,标签分类,分类器,解码器,域判别器,梯度下降法,优化问题,领域自适应
AB值：
0.297158
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
