每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

SWAT：用于逐步领域适应的滑动窗口对抗训练

Created by
  • Haebom

作者

王子熙、赵向旭、谢同兰、景萌萌、左林

大纲

本文提出了滑动窗口对抗训练 (SWAT)，这是一种用于渐进式域适应 (GDA) 的新颖方法，旨在解决域转移问题——导致机器学习性能低下的主要原因。SWAT 构建连接源域和目标域特征空间的对抗流，并采用滑动窗口范式逐步减少相邻中间域之间的微小差异。当窗口到达流的末尾（即目标域）时，域转移问题会得到明显缓解。在六个 GDA 基准数据集上进行的大量实验证明了 SWAT 的有效性，在旋转 MNIST 数据集上的性能提升了 6.1%，在 CIFAR-100C 数据集上的性能提升了 4.1%。

Takeaways, Limitations

•
Takeaways：
◦
提出了一种针对渐进域自适应（GDA）问题的有效解决方案。
◦
滑动窗口对抗训练 (SWAT) 比现有方法取得了更好的性能（在旋转 MNIST 上提高了 6.1%，在 CIFAR-100C 上提高了 4.1%）。
◦
对抗流和滑动窗口范式的有效组合。
•
Limitations：
◦
需要进一步研究来确定所呈现的基准数据集的普遍性。
◦
需要进一步验证 SWAT 对各种域移动类型的稳健性。
◦
需要分析 SWAT 的计算成本和复杂性。
👍
Made with Slashpage