这是 definition在维基百科中:
The unsupervised domain adaptation: the learning sample contains a set of labeled source examples, a set of unlabeled source examples and an unlabeled set of target examples.
由于我们没有目标域上的标记数据(甚至验证集),我们如何确定传输过程是否完成?还是过拟合/欠拟合?
最佳答案
为了学术目的评估模型,我们通常对目标样本使用标记数据,丢弃标签并使用标签评估模型。
在无法获得目标标签的情况下,我们可以使用与域相关的损失函数来评估收敛性。
对于一些隐藏域重叠损失的算法,例如DANN/RevGrad,我们可以为两个域的嵌入添加距离(相似性)项,并可以确定训练是否收敛。
关于algorithm - 如何在无监督领域自适应中进行验证,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/43906399/