ICMLJun, 2012

边缘去噪自编码器在领域自适应中的应用

PDF
TL;DR本文提出了一种基于边缘化的 SDA (mSDA) 算法，其能够在保证和传统 SDA 相同效果的前提下，大幅度减小计算量和提升可扩展性。
发现论文，激发创造
  • 自适应域网络

    提出了一种自适应网络方法，通过使用自适应器、任务模型和自编码器来解决深度网络在临床实践中的领域转移问题，本方法证明在使用单个测试对象和自适应的短时间内取得了显著改进，验证了方法的可行性并得到了广泛应用

    Jul, 2020

  • 特定领域自对抗解缠

    本文提出了一种新的自解耦框架 (SAD) 以实现特定领域的适应。使用一个领域关键字创建器和自对抗正则化器，将潜在表示分解为特定领域和不变领域特征，从而减缓了领域内差距，并取得了在目标检测和语义分割等领域中超越现有最先进方法的一致改进。

    Aug, 2021

  • 无源领域自适应需要惩罚多样性

    通过使用具有不同骨干架构的独立特征提取器和弱假设惩罚正则化策略，我们提出了一种基于无监督学习的源自由域自适应新算法，以促进表示多样性，并在协变量转移方面应用。

    Apr, 2023

  • 深度学习方法应用于结构化信号恢复

    本文提出了一个新的感知和恢复结构化信号的深度学习框架，并应用堆栈去噪自编码器（SDA）进行统计依赖性捕获来提高信号恢复性能。

    Aug, 2015

  • 自我退化的对比域自适应用于工业故障诊断中的双失衡数据

    通过自我降级的对比域自适应 (Sd-CDA) 诊断框架来处理不平衡数据下的域差异问题，首先通过基于模型剪枝的不平衡感知对比学习方法对特征提取器进行预训练，以自监督方式高效地学习特征表示；然后基于监督对比域对抗学习 (SupCon-DA) 强制将样本远离域边界，确保特征生成器生成的特征具有足够的区分性；此外，提出了剪枝对比域对抗学习 (PSupCon-DA)，自动关注少数类以增强对不平衡数据的性能；通过两个实验展示了所提方法的优越性。

    May, 2024

  • TSDAE: 使用基於 Transformer 的逐步去噪自編碼器進行無監督句子嵌入式學習

    本研究基于预训练的 Transformer 和序列去噪自编码器（TSDAE）提出了一种新的最先进的无监督方法，该方法表现优于先前的方法高达 6.4 个点。它可以达到领域内监督方法的性能的 93.1％。 此外，我们证明了 TSDAE 是一种强大的领域自适应和预训练方法，明显优于其他方法，如遮蔽语言模型。我们在来自异构领域的四个不同数据集上评估 TSDAE 和其他最近的方法。

    Apr, 2021

  • 最大化域独立性表示改进迁移学习

    本文介绍了一种新的方法，将敌对模型与变分自编码器相结合，利用领域无关表示和领域相关表示以及对后者进行大小惩罚的机制来进行跨领域学习，并在多个图像数据集上展示了它对于预训练模型的优越性。

    Jun, 2023

  • 智能过滤辅助域对抗神经网络：一种用于噪声工业场景中故障诊断的无监督域自适应方法

    该研究提出了一种名为 SFDANN 的智能滤波技术辅助域对抗神经网络，用于解决工业环境下的故障诊断问题，该方法不仅可在不同条件之间实现操作经验和故障特征的转移，而且还可以很好地适应工业场景中的噪声。

    Jul, 2023

  • 发现领域解耦来进行广义多源域自适应

    本研究提出了一种多源领域适应方法 (GM-DA)，试图解决传统方法中源域与目标域之间类别不完全重叠的问题，该方法基于变分域解缠绕 (VDD) 框架，借助在线伪标签来识别未知类别的目标样本，并且在两个基准数据集上展现了该框架的有效性。

    Jul, 2022

  • 通过去噪引导潜在表示的文本自编码器教育

    本文介绍了一种通过利用生成自编码器的潜在句子表示来实现可控制文本生成的方法。作者提出了一种改进自动编码器的方法，被称为 DAAE，该方法可以在维持生成质量的同时，提高模型中的潜在空间几何性，从而实现了通过简单潜在向量算术进行全零文本风格转换。

    May, 2019