Domain Impression: A Source Data Free Domain Adaptation Method

無監(jiān)督域自適應(yīng)方法解決了一個未標記目標集的自適應(yīng)問題，假設(shè)源數(shù)據(jù)集具有所有標簽。然而，在實際案例中，實際來源樣本的可用性并不總是可能的。這可能是由于內(nèi)存限制、隱私問題和共享數(shù)據(jù)的挑戰(zhàn)造成的。這個實際場景在域適配問題中造成了一個瓶頸。本文通過提出一種不需要任何源數(shù)據(jù)的domain adaptation technique來解決這一具有挑戰(zhàn)性的問題。我們只提供了一個在源數(shù)據(jù)上訓(xùn)練的分類器，而不是源數(shù)據(jù)。我們提出的方法是基于一個生成框架，其中訓(xùn)練分類器用于從源類生成樣本。我們通過使用訓(xùn)練分類器的基于能量的建模來學(xué)習(xí)數(shù)據(jù)的聯(lián)合分布。同時，還針對目標域采用了一種新的分類器。我們在不同的實驗裝置下進行了不同的分析，結(jié)果表明，在這種非常新穎的情況下，所提出的方法比基準模型取得了更好的結(jié)果。

1. Introduction

領(lǐng)域適應(yīng)方法（Domain adaptation methods）試圖通過最小化兩個領(lǐng)域之間的差異來解決這些問題。最小化差異的一種可能的方法是通過獲取域不變特征。這些特征是這樣的，即在一個域上訓(xùn)練的分類器在其他域上同樣表現(xiàn)良好。域適應(yīng)方法試圖通過最小化兩個域之間的差異來解決這些問題。將差異最小化的一種可能的方法是通過獲得域不變的特征。這些特征可以使在一個域上訓(xùn)練的分類器在其他域上同樣表現(xiàn)良好。域不變特征是通過引入一些輔助任務(wù)來獲得的，以最小化域的分布差異。為了訓(xùn)練輔助任務(wù)，所有現(xiàn)有的領(lǐng)域適應(yīng)方法都需要訪問源數(shù)據(jù)集。在適應(yīng)過程中，源數(shù)據(jù)集和目標數(shù)據(jù)集都應(yīng)該是可用的。然而，在一些實際情況下，這并不總是可能的。原因可能是內(nèi)存存儲要求、共享數(shù)據(jù)的挑戰(zhàn)、隱私問題和其他數(shù)據(jù)集處理問題。例如，流行的數(shù)據(jù)集，如Image-Net，由近1400萬張圖片組成，需要數(shù)百GB的存儲空間。另一個關(guān)注點是與數(shù)據(jù)集的隱私有關(guān)。在某些情況下，敏感數(shù)據(jù)集無法共享以適應(yīng)新數(shù)據(jù)集的模型。傳統(tǒng)領(lǐng)域適應(yīng)模型的這些局限性，為將其應(yīng)用于實際場景帶來了瓶頸。因此，假設(shè)源數(shù)據(jù)集的可用性是現(xiàn)有領(lǐng)域適應(yīng)模型中的一個嚴重問題。

在本文中，我們提出了一種不需要在所有時間點上訪問源數(shù)據(jù)集的領(lǐng)域適應(yīng)模型。具體來說，我們假設(shè)可以訪問在源數(shù)據(jù)集上訓(xùn)練的分類器。只有分類器的可訪問性，而不是整個數(shù)據(jù)集的可訪問性，才使得模型在實際場景中具有實用性。我們通過將預(yù)訓(xùn)練的分類器建模為基于能量的函數(shù)來利用它來學(xué)習(xí)聯(lián)合分布[15]。我們還使用一個生成性對抗網(wǎng)絡(luò)（GANs）結(jié)合這個預(yù)先訓(xùn)練好的分類器來學(xué)習(xí)源數(shù)據(jù)集的底層數(shù)據(jù)分布。一旦使用預(yù)先訓(xùn)練好的分類器對生成模型進行訓(xùn)練，我們就開始生成可應(yīng)用于自適應(yīng)任務(wù)的標記數(shù)據(jù)點。因此，我們消除了在自適應(yīng)期間訪問源數(shù)據(jù)集的需要。這些生成的樣本可以作為代理樣本來訓(xùn)練域自適應(yīng)模型。我們從判別函數(shù)中學(xué)習(xí)一個生成函數(shù)，將其建模為基于能量的函數(shù)。它的能量用LogSumExp()值來定義[15]。分類器的另一個判別屬性可以用交叉熵損失來訓(xùn)練生成函數(shù)。因此，所提出的方法充分利用了預(yù)先訓(xùn)練好的分類器的信息進行適配。

圖1：提出的domain adaptation方法的說明：（a）沒有adaptation，在源數(shù)據(jù)上訓(xùn)練的分類器不能正確地對目標樣本進行分類。（b） 使用訓(xùn)練好的分類器生成代理樣本。（c） 使用代理樣本（生成）adaptation分類器。在adaptation算法中，只使用代理樣本和目標樣本，在adaptation過程中從不使用源樣本（最好用彩色顯示）。

圖1直觀地展示了所提出的領(lǐng)域適應(yīng)框架。在圖1(a)中顯示了源域和目標域之間的分布不匹配，而在(b)中，使用預(yù)訓(xùn)練的分類器生成了虛擬源樣本，最后一個適應(yīng)階段在?中顯示，分類器使用虛擬標記樣本適應(yīng)目標域。

我們的貢獻如下：

我們提供了一個生成式框架來解決源數(shù)據(jù)自由域適應(yīng)問題。

訓(xùn)練有素的分類器被視為一個基于能量的模型來學(xué)習(xí)數(shù)據(jù)分布以及生成式對抗網(wǎng)絡(luò)。

我們證明了使用預(yù)先訓(xùn)練好的分類器得到的domain impression可以應(yīng)用于其他現(xiàn)有的domain adaptation methods.

我們提供詳細的實驗分析，以證明該模型的有效性。我們還提供了與使用完整源樣本信息的現(xiàn)有基線的比較。我們的方法在不使用源樣本的情況下與這些基線相當(dāng)。

3. Background: Generative model from Discriminative model

判別模型的目標是得到類的條件分布p（y | x），它關(guān)注分類邊界。這里x是給定的輸入，y是標簽生成模型從數(shù)據(jù)生成過程中學(xué)習(xí)p（x，y）的聯(lián)合分布。我們用貝葉斯定理將聯(lián)合分布的對數(shù)似然重寫為[15]

$log{p}_{\theta }(x)$可以表示為能量函數(shù)的形式。我們將$log{p}_{\theta }(x)$定義為基于能量的函數(shù)，如[15]中討論的那樣。對數(shù)似然導(dǎo)數(shù)可以表示為[15]

能量函數(shù)將一個輸入x映射到一個標量上。我們用訓(xùn)練好的分類器的logits的LogSumExp(-)來定義能量函數(shù)，類似于[15]。

$P_c(x)[y]$表示分類器$P_c(x)$輸出的第y個分量。

4. Source Data Free Adaptation

在本節(jié)中，我們將討論使用訓(xùn)練好的分類器的source data free adaptation technique。這個問題分為兩部分：第一部分是獲取分類器的樣本，我們稱之為生成模塊。第二部分是針對目標域?qū)Ψ诸惼鬟M行適配(adapt the classifier for the target domain)，稱為Adaptation模塊。這兩個模塊如圖2所示。

圖2：Source Data free Domain Adaptation。生成器(G)、GAN判別器(Dg)、特征提取器(F)、分類器?和Domain discriminator(Dd)是可訓(xùn)練的，而預(yù)訓(xùn)練的分類器(Pc)被設(shè)置為凍結(jié)。z是latent噪聲向量。GRL為梯度反轉(zhuǎn)層[12]。

對于生成模塊，我們采用條件GAN框架[38]作為生成函數(shù)來獲取樣本。交叉熵損失用于從分類器中獲得domain impression和具有類邊界的樣本。需要注意的是，通過只用GAN的交叉熵損失（Note that by only the cross-entropy loss with GAN），我們可以強制要求生成的樣本只遵循條件分布p(y|x)。為了學(xué)習(xí)源數(shù)據(jù)分布的代理樣本，我們對公式1中定義的聯(lián)合分布p(x,y)進行建模。對于adaptation模塊，我們使用對抗式學(xué)習(xí)框架，利用判別器使特征對目標域與生成數(shù)據(jù)不變（make the feature invariant to the target domain with the generated data）。

4.1. Problem Formulation

源數(shù)據(jù)自由域適配問題（The source data free domain adaptation problem）可以表述如下。我們考慮一分類器$P_c$，它是在源數(shù)據(jù)集${\mathcal{D}}_s$上訓(xùn)練的，用于分類任務(wù)。假設(shè)或約束是源數(shù)據(jù)集不可用于adaptation。我們在訓(xùn)練時只提供未標記的目標數(shù)據(jù)集${\mathcal{D}}_t$。我們進一步假設(shè)${\mathcal{D}}_s$來自于源分布S，${\mathcal{D}}_t$來自于目標分布T 。我們假設(shè)有$N_t$個未標記的目標數(shù)據(jù)點。

4.2. Proposed Model

該方法將模型分為兩部分：生成模塊和Adaptation模塊。

Data Generation Module: 代理樣本是利用源分類器的GAN框架獲得的(The proxy samples are obtained using a GAN framework with utilizing the source classifier.)。其目的是學(xué)習(xí)源數(shù)據(jù)的聯(lián)合分布p(x,y)。這種方法背后的基本思想是獲得完美的分類器。我們使用一個參數(shù)化的數(shù)據(jù)生成神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)被訓(xùn)練成最大化Eq.1中定義的對數(shù)似然。

在這個方程中，第一項可以使用在式2中定義的導(dǎo)數(shù)來最大化。第二項使用交叉熵損失進行優(yōu)化。生成式對抗網(wǎng)絡(luò)，結(jié)合訓(xùn)練好的分類器，也是為了生成更好的樣本。The vanilla GAN[49，14]是一個無條件的GAN，因此在這里并不適合；因為在vanilla GAN中不能保證只產(chǎn)生特定的所需類例。

因此，在提出的生成框架中，我們使用了一個條件生成對抗網(wǎng)絡(luò)[38]，其中條件可以作為一個onehot編碼和潛在的噪聲向量提供給生成器，以生成不同的樣本。為了獲得特定于類的樣本，我們利用分類器的交叉熵損失來訓(xùn)練條件生成器。在這種情況下，我們不更新預(yù)先訓(xùn)練好的分類器的參數(shù)；我們只更新生成器以產(chǎn)生可以分類為給定類向量的樣本。

這個公式產(chǎn)生的樣本可能不被認為是自然樣本，而且它還會產(chǎn)生對抗性的噪聲樣本。因此這些樣本不能用于進一步的adaptation任務(wù)。為了獲得自然樣本，我們使用了一個對抗性判別器；它是在目標域樣本的幫助下進行訓(xùn)練的。生成器的參數(shù)會隨著判別器的對抗性損失和分類器的交叉熵損失進行更新。

Domain Adaptation Module: domain adaptation模塊由源域和目標域數(shù)據(jù)集的共享特征提取器、分類器網(wǎng)絡(luò)和類似于[12]的鑒別器網(wǎng)絡(luò)組成。鑒別器的目標是引導(dǎo)特征抽取器使用梯度反轉(zhuǎn)層產(chǎn)生域不變特征。在該框架中，域鑒別器被訓(xùn)練來區(qū)分產(chǎn)生的標記樣本和未標記的目標樣本。
同樣的，我們也會針對標簽生成的樣本對訓(xùn)練好的分類器進行微調(diào)。在這個模塊中，所有的網(wǎng)絡(luò)，即特征提取器、分類器和判別器，都有可學(xué)習(xí)的參數(shù)。我們還分別對生成和adaptation過程進行了實驗。在這個變體variant中，我們首先使用似然和GAN目標函數(shù)訓(xùn)練生成模型。然后對生成模型參數(shù)進行凍結(jié)，得到樣本。之后，這些樣本用于自適應(yīng)。在這里，我們必須確定適應(yīng)所需的樣本數(shù)量。適應(yīng)性能取決于樣本數(shù)量，如表4消融研究部分所示。

我們的模型是SDDA-G，括號中的數(shù)字表示用于適應(yīng)的生成樣本數(shù)量。Oracle參考，當(dāng)實際的源數(shù)據(jù)被用于適應(yīng)時。

4.3. Loss functions

提出的Source Data free Domain Adaptation(SDDA)模型在訓(xùn)練時有以下這些損失。

Likelihood based loss (${\mathcal{L}}_{lik}$): 目標是用判別模型中學(xué)習(xí)源數(shù)據(jù)的聯(lián)合分布。這個過程要求從生成模型中得到的數(shù)據(jù)的對數(shù)似然最大化，如式1所定義。因此損失函數(shù)寫為

它的導(dǎo)數(shù)由式2得到。

Adversarial Loss (${\mathcal{L}}_{adv}$): 該損失用于訓(xùn)練GAN判別器，以區(qū)分真實數(shù)據(jù)和通過生成器生成的數(shù)據(jù)。生成器和GAN鑒別器是對立的。這里$a_i$為目標數(shù)據(jù)，通過$\mathcal{T}$采樣得到，y為生成數(shù)據(jù)對應(yīng)的標簽，z是latent noise vector。采樣自正態(tài)分布$P_z$。生成器的損失定義為：

Cross-Entropy Loss (${\mathcal{L}}_{crs}$): 這個損失是通過將生成的圖像傳遞給預(yù)訓(xùn)練的分類器獲得的。預(yù)訓(xùn)練分類器的預(yù)測輸出與輸入到生成器的類向量進行比較。這個損失不更新預(yù)訓(xùn)練分類器的參數(shù)。它只是更新生成器的參數(shù)，以生成類一致的圖像。

其中$g_i=G(z_i,y_i)$是生成的圖像樣本。${\mathcal{L}}_c$是交叉熵損失。$N_g$是生成的樣本。$P_c$是預(yù)先訓(xùn)練好的分類器。

Domain Discriminative Loss (${\mathcal{L}}_{dis}$): 該損失用于從特征提取器中獲得域不變的特征。它是源樣本和目標樣本之間的二元分類損失。鑒別器是用損失的梯度來訓(xùn)練的。與此相反，特征提取器由該損失的負梯度進行訓(xùn)練(使用梯度反轉(zhuǎn)層[12])，以獲得域不變性。

N是生成樣本和目標樣本的總數(shù)。$d_i$是domain label，$d_i=0if{x}_i\in {\mathcal{D}}_{g}and{d}_i=1if{x}_i\in {\mathcal{D}}_t.{\mathcal{L}}_c$是交叉熵。
Classification Loss ($L_{cls}$): 利用生成樣本的分類損失訓(xùn)練自適應(yīng)分類器。我們根據(jù)損失更新分類器的參數(shù)梯度這種損失的梯度也被用來訓(xùn)練特征提取器來產(chǎn)生類別鑒別特征。

這里C是分類器網(wǎng)絡(luò)。Ng是生成的樣本總數(shù)。
Total Loss: The total loss is given as below

總結(jié)

以上是生活随笔為你收集整理的Domain Impression A Source Data Free Domain Adaptation Method的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。