统计分类器的领域自适应

Sep, 2011

Domain Adaptation for Statistical Classifiers

H. Daume III, D. Marcu

TL;DR通过最大熵分类器和线性链的组合，提出了一种基于条件期望最大化技术的统计方案。实验表明，该方法在自然语言处理领域的四个数据集中，可以提高三个真实世界任务的性能。

Abstract

The most basic assumption used in statistical learning theory is that training data and test data are drawn from the same underlying distribution. Unfortunately, in many applications, the "in-domain" test data is drawn from a distribution that is related, but not identical, to the "out

statistical learning theory in-domain test data out-of-domain distribution maximum entropy classifiers conditional expectation maximization

发现论文，激发创造

领域自适应理论概述：学习界限与理论保证调查

该论文综述了迁移学习中的一个具有代表性的子领域 —— 领域自适应，介绍了基于不同统计学习框架的学习界限等方面的理论研究现状。

Apr, 2020

领域自适应简介

本文关注的是无监督领域适应问题，该问题中只在源域内提供标签。文章试图从不同角度解释领域适应的类别，并提出了一些成功的浅层和深层领域适应方法。

Oct, 2020

计算机视觉应用领域的适应性

本研究关注最近在计算机视觉领域的早期领域转移学习方法，强调借助标记数据从不同域进行域适应以在目标域中提高数据分类准确度。

Nov, 2012

领域自适应和迁移学习简介

介绍了机器学习中领域自适应和转移学习的数据分布变化问题，分类模型的风险最小化框架及其在复杂变化中的应用，并讨论了多种方法来解决这些问题，但要实现实用化仍需解决许多问题。

Dec, 2018

基于模型的领域通用化

本篇论文提出了一种基于模型的域泛化方法，通过对数据生成过程和同变性条件的建模，将域泛化问题转化为一个无限维的有约束统计学习问题，并利用非凸对偶理论发展了有约束松弛的统计问题，提出了具有收敛保证的域泛化算法，并在 ColoredMNIST，Camelyon17-WILDS，FMoW-WILDS 和 PACS 等基准测试中取得了高达 30 个百分点的改进。

Feb, 2021

通过分布匹配进行到未见过的领域的泛化

本文探讨监督学习中数据导致的实际问题，着重于领域泛化研究，提出最小化给定领域对之间差异的方法，并在 EEG 数据集中验证了该策略。

Nov, 2019

机器学习中的越界泛化

研究探讨了机器学习中的问题，特别是当模型在不同于训练数据的数据上进行测试时，模型很容易出现失败的现象，主要依靠发现数据的因果结构、找到可靠的特征并进行推广算法等方面展开探讨。

Mar, 2021

利用因果推断预测不变条件分布进行域适应

研究通过因果推论来解决领域适应问题，并提出了一种不依赖先前的因果结构和干预目标的方法，该方法可实现对目标变量在多个领域中的分布进行预测。

Jul, 2017

领域自适应特征学习的理论分析和极其简易的算法

本文分析了用于解决域适应问题的特征学习算法，并提出了一种新的极其简单的特征学习算法，用于域适应，并扩展了该算法以利用多层，从而导致深度线性模型。实验结果展示了这些算法的有效性。

Sep, 2015

无目标标签领域自适应综述

本篇综述旨在回答分类器如何从源域学习并推广到目标域，分类方法包括基于样本的方法、基于特征的方法和基于推理的方法，文章还探讨了进一步研究所需的一些问题和条件。

Jan, 2019