基于自监督知识的无监督新集域适应学习

无监督领域自适应（Unsupervised domain Adaption，UDA）旨在使用具有大量标记数据的源领域来帮助目标领域在没有任何标记信息的情况下学习。在UDA，通常假设源域和目标域之间的数据分布不同，但共享相同的类标签空间。然而，在真正的开放式学习场景中，域之间的标签空间可能会有所不同。在极端情况下，域之间不存在类别交叉，也就是说，目标域中的类别是新的未知类别。此时，如果直接迁移源域的类判别知识，可能会损害目标域的性能，导致负迁移问题。为此，提出了一种基于自监督知识的无监督集域自适应新方法（Eiffel-Tower），对源域的样本比较知识进行迁移。同时，利用目标领域的自我监控知识指导知识迁移。首先，通过自我监控了解源域和目标域的初始特征，并固定一些网络参数以保存目标域的信息。然后将源域的样本比较知识迁移到目标域，以帮助目标域学习类判别特征。此外，利用基于图的自监测分类损失，解决了域间没有共享类别时的目标域分类问题。评估SUNDA在非共享类别手写数字跨域迁移和非共享类别人脸数据跨种族迁移方面的任务。实验结果表明，SUNDA的学习性能优于无监督领域自适应、无监督聚类和新的类别发现方法