论文信息
论文标题：Asymmetric Tri-training for Unsupervised Domain Adaptation
论文作者：Kuniaki Saito, Y. Ushiku, T. Harada
论文来源：27 February 2017——ICML
论文地址：download
论文代码：download
视屏讲解：click
1 介绍
简单的域分布对齐可能无法提供有效的判别表示，为学习目标域的判别表示，本文假设人工标记目标样本可以产生良好的表示。
在本文中，提出了一种用于无监督域适应的非对称三重训练方法，将伪标签分配给未标记的样本，并像训练真实标签一样训练神经网络。 本文工作，不对称地使用三个网络。 不对称是指两个网络用于标记未标记的目标样本，一个网络由样本训练以获得目标判别表示。
2 相关工作
[1] 研究了伪标签在神经网络中的作用。他们认为，使用伪标签训练分类器的效果等同于熵正则化，从而导致类之间的低密度分离。
3 方法
整体框架： 
算法伪代码：
为使 $F_{1}$, $F_{2}$ 从不同视角分类样本，将分类器权重 $\left|W_{1}^{T} W_{2}\right|$ 考虑到损失函数：
$E\left(\theta_{F}, \theta_{F_{1}}, \theta_{F_{2}}\right)=\frac{1}{n} \sum_{i=1}^{n}\left[L_{y}\left(F_{1} \circ F\left(x_{i}\right), y_{i}\right)+L_{y}\left(F_{2} \circ F\left(x_{i}\right), y_{i}\right)\right]+\lambda\left|W_{1}^{T} W_{2}\right| \quad\quad\quad(1)$
伪代码主要分为两部分：
-
- 第一部分：使用训练集训练整个网络，$F_{1}$, $F_{2}$ 使用 $\text{Eq.1}$ 优化，$F_{t}$ 使用标准的分类损失训练；
- 第二部分：为目标域样本提供伪标签，要求1：$F_{1}$, $F_{2}$ 的预测类别相同；要求2：$F_{1}$, $F_{2}$ 预测的概率大于 $0.9$ 或 $0.95$；
为防止过拟合得到伪标签，重采样参与的伪标签样本。设置 $N_{\text {init }}=5000$ ，然后逐步增 加参与的数量 $N_{t}=k / 20 * n$ ， $n$ 为所有目标域样本数量。设置参与训练的价标签样本最大数量为 $40000$。
通过构建仅在目标域样本上训练的特定于目标域的网络，将学习判别性表示。但是仅使用有噪声的伪标签样本训练，网络可能无法学习有用的表示。然后我们使用源域和伪标签样本训练三个分类器以保证准确率。同随着训练， $F$ 将学习目标域判别性表示，使分类器 $F_{1}$, $F_{2}$ 的正确率提升。这个周期逐渐增强目标域上的准确率。
[1] Lee, Dong-Hyun. Pseudo-label: The simple and efficient semi-supervised learning method for deep neural networks. In ICML workshop on Challenges in Representation Learning, 2013.
标签：Tri,training,right,训练,Unsupervised,标签,样本,分类器,left From： https://www.cnblogs.com/BlairGrowing/p/17291334.html