导读
无监督领域自适应（UDA）问题近年来受到广泛关注，旨在利用从有标签源域样本处学得知识帮助无标签目标域样本的分类。UDA方法主要关注源域样本的正确分类和领域间分布的对齐，以期望对目标域样本正确分类。本文中，我们提出基于标签自矫正的无监督领域自适应（SCUDA）方法，使用概率标签直接端到端地学习并矫正目标域样本伪标签。特别的，除了模型参数之外，SCUDA使用独立可更新的概率标签矫正器（或称锚变量），在保留目标域样本候选分类信息的同时直接矫正目标域样本标签。在真实数据集上的实验结果证明了SCUDA的有效性。
文章精要
请长按下方二维码识别，阅读该文。
文章中观点仅代表作者个人观点，不代表本网站的观点和看法。
神州学人杂志及神州学人网原创文章转载说明：如需转载，务必注明出处，违者本网将依法追究。
