基于信息论的鉴别聚类学习用于无监督领域自适应
该研究提出了一种名为 DisClusterDA 的新方法,将无监督领域适应问题重新表述为目标数据的判别式聚类,使用基于熵最小化、软 Fisher 准则和质心分类的聚类目标自适应地过滤目标数据来蒸馏判别式源信息,同时结合并行的受监督学习目标来训练网络,经过对 5 个基准数据集进行的实验表明,DisClusterDA 在这些数据集上的表现优于现有的方法。
Feb, 2023
本文提出了一种基于无监督域自适应和深度聚类的方法,利用来自多个源域的数据信息建立一个与具体域无关的聚类模型,并通过特征对齐和自我监督实现有效地适应目标域。本文的方法即使在少量目标样本的情况下也能自动发现相关语义信息,并在多个域自适应基准测试中取得了最先进的结果。
Aug, 2020
本文提出了一种基于随机次梯度下降优化学习问题的交替优化技术,以在几个域适应任务上展示其性能,该技术旨在同时学习源子空间和预测函数,最小化正则化误分类损失。
Nov, 2014
本文提出了一种用于区域自适应的主动学习方法,通过使用三阶段的主动对抗训练神经网络(包括不变的特征空间学习阶段、不确定性和多样性准则及其折衷的查询策略,以及使用查询的目标标签重新训练阶段),该方法可以减少数据标注的工作量,对四个基准数据集进行的实证比较表明了该方法的有效性。
May, 2020
该论文提出了一种在无监督领域适应的情况下,采用自我监督学习的对比方法以减少培训和测试集之间的领域差异,实现了简单而有效的领域对齐框架 CDCL,并使用伪标签进行评估, 这种方法可以应用于无需数据源的情况并在图像分类方面取得了最先进的性能。
Jun, 2021
通过联合域对齐和辨别特征学习的方式,可以带来对域对齐和最终任务分类的双重优化。对于视觉和机器学习领域,大部分现有工作只集中在通过最小化不同域之间的分布差异来学习共享的特征表示。然而,本文指出,所有域对齐方法只能减少,而不是消除域移位的情况。因此,我们提出了一种实例和中心的辨别特征学习方法,它们都可以在共享的特征空间中学习到具有更好的类内紧密性和类间可分性的域不变特征。实验表明,在共享的特征空间中学习辨别特征可以显著提高深度域自适应方法的性能。
Aug, 2018
该论文提出了一种名为跨域自适应聚类的新方法,使用敌对训练产生自适应聚类损失,将未标记目标数据的特征分组到聚类中,并在源域和目标域之间进行聚类特征对齐。使用伪标签扩展了目标域中每个类的标记样本的数量,并产生了更强大的聚类核心,从而实现了半监督领域自适应的最佳表现。
Apr, 2021
本研究提出了一种信息理论方法来处理具有多个相似目标领域的无监督域适应问题,通过寻找一个共同的潜在空间,同时利用信息理论方法实现共享和私有信息的分离,并利用高效的优化算法完成从单一源到多个目标领域的自适应过程。
Oct, 2018
本文研究无监督领域自适应,提出了一种将源域和目标域之间的表示进行对齐的方法,从而使目标域数据的分类准确性更高。该方法利用自监督任务对两个域进行训练并成功地泛化到目标域。在实验中,我们获得了四个标准基准测试中的最先进结果,并在分割适应性方面取得了有竞争力的结果。
Sep, 2019