BP-Triplet-Net

三重损失是深度度量学习 (DML) 方法之一，用于学习嵌入，其中来自同一类的示例比来自不同类的示例更接近。在DML的激励下，我们从贝叶斯学习的角度为无监督域适应 (UDA) 提出了一种有效的BP-三重损失，并将该模型命名为BP-三重网络。在以前的UDA基于度量学习的方法中，跨域的样本对被平等对待，由于域偏差，这是不合适的。在我们的工作中，考虑到成对样本对特征学习和域对齐的重要性不同，我们从贝叶斯学习的角度推导了有效UDA的BP-三重损失。我们的BP-三重损失调整了域内和域间成对样本的权重。特别是，它可以自行处理硬对 (包括硬正对和硬负对)。加上常用的领域对齐的对抗性损失，目标伪标签的质量也逐步提高。我们的方法实现了理想源和目标假设的低联合误差。然后，可以按照Ben-David定理将预期的目标误差上限。对四个基准数据集的综合评估证明了该方法对UDA的有效性

搜集汇总

背景与挑战

背景概述

BP-Triplet-Net是一个用于无监督域适应的深度学习数据集，提出基于贝叶斯学习的BP-三重损失方法，通过调整域内和域间样本权重及处理硬对来优化特征学习和域对齐，结合对抗性损失提升目标伪标签质量。该数据集由安徽大学、阿里巴巴和重庆大学于2022年联合发布，相关论文和代码已公开。