简介

深度神经网络擅长从大量有标注数据中学习，但却很难将其推广到新的目标域。无监督域适应是一种有效的范式，能够将知识从有标注的相关源域迁移到完全无标记的目标域。本文引入一种新的主动学习策略，自动地标注少量有价值的目标域数据。当训练（源）和测试（目标）数据来自不同的分布时，基于能量的模型表现出自由能量偏差。受这一内在机制的启发，本文提出一种简单而有效的基于能量的采样策略，在每一轮的查询中，挑选具有领域特性和模型预测不确定的数据进行标注。同时，自由能也可以作为一种正则化信号隐式地减小领域间的偏差。基准数据集和生成数据集上的实验结果证明了其有效性。

论文链接：https://arxiv.org/abs/2112.01406

代码链接：https://github.com/BIT-DA/EADA

内容中包含的图片若涉及版权问题，请及时与我们联系删除