2302_79085918的博客

首先指出深度学习模型的问题：依赖大量的标签训练数据、需要昂贵和耗时量大的标记过程。上述观察结果表明，通过重新加权的分布对齐来调整特征提取器对源数据权重的中的噪声不具有鲁棒性，并且在一些具有挑战性的数据集上可能导致负迁移。但是，令人惊讶的是，在源分类损失中重新加权数据重要性可能比重新加权分布对齐损失对噪声权重的鲁棒性更强在本文中，作者通过实验观察到，通过重新加权分布对齐来适应特征提取器对源域数据的“噪声”权重不具有鲁棒性，并且可能会损害目标域的学习性能。