如何在无监督领域自适应中进行验证

How to validate in unsupervised domain adaptation

这是维基百科中的 definition

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),我们如何判断传输过程是否完成?或者是 overfitted/underfitted?

我找到了一篇可能适用于大多数迁移学习案例的论文:Cross Validation Framework to Choose amongst Models and Datasets for Transfer Learning

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。

在无法获取目标标签的情况下,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domain-overlapping loss的算法,比如DANN/R​​evGrad,我们可以为两个domain的embeddings加上distance(similarity)项,可以判断训练是否收敛。