深度转移网络：无监督域自适应

Mar, 2015

Deep Transfer Network: Unsupervised Domain Adaptation

Xu Zhang, Felix Xinnan Yu, Shih-Fu Chang, Shengjin Wang

TL;DR该论文提出了一种名为 Deep Transfer Network 的领域适应框架，其中高度灵活的深度神经网络用于实现分布匹配过程，在分类准确性和执行时间等方面取得了显著的改进。

Abstract

domain adaptation aims at training a classifier in one dataset and applying it to a related but not identical dataset. One successfully used framework of domain adaptation is to learn a transformation to match bo

domain adaptation deep transfer network neural networks distribution matching classification

发现论文，激发创造

深度适应网络学习可迁移特征

本文提出了一种新的深度自适应网络 (DAN) 结构，它将多个领域的分布嵌入到再生核 Hilbert 空间中，并应用最优多核选择方法以匹配均值嵌入。DAN 能够学习具有统计保证的可传递特征，并通过核嵌入的无偏估计来实现线性扩展。实验证据表明，所提出的架构在标准领域自适应基准数据集上获得了最先进的图像分类误差率。

Feb, 2015

带残差转移网络的无监督域自适应

本文提出了一种可以同时学习源域标记数据和目标域未标记数据的适应分类器和可转移特征的深度网络领域适应新方法。改进了以往方法假设源分类器和目标分类器共享分类器的假设，并通过将多个层的特征与张量积融合并将它们嵌入可再生核希尔伯特空间来匹配特征适应的分布。实验结果表明新方法在标准领域适应基准上优于现有最先进的方法。

Feb, 2016

深度域自适应的残差参数转移

本文介绍了一种神经网络结构 —— 附带残差网络，其可灵活地维护域间的相似性，并在必要时模拟区别。实验证明，该方法比现有最先进的方法具有更高的准确性且不会过于复杂。

Nov, 2017

神经网络的领域对抗性训练

本文提出了一种新的领域适应的表示学习方法，使用神经网络架构从源域的有标签数据和目标域的无标签数据中推断出训练的特征，该方法增加了标准层和一个新的反向梯度层，可以在文本情感分析、图像分类以及人员重新识别等任务中有效实现领域适应。

May, 2015

动态分布自适应的迁移学习

本文提出了一种名为 DDA（动态分布适应）的新概念，可以对每个分布的相对重要性进行定量评估并解决传输学习问题，进而提出两种新的学习算法 MDDA 和 DDAN，得到了显著改善传输学习性能的结果。

Sep, 2019

联合适应网络的深度迁移学习

本研究介绍了一种叫做 JAN 的联合适应网络，它通过最大均值偏差准则（JMMD）对多个特定领域层次的联合分布进行对齐，实现从源领域到目标领域的迁移学习，实验表明我们的模型在标准数据集上提供了最先进的结果。

May, 2016

软传递网络实现异构领域适应

本文提出了一种软传输网络（STN）来解决异构域适应问题，它可以联合学习一个领域共享的分类器和一个领域不变的子空间，并通过软标签策略匹配跨域的边缘和条件分布，进而避免负转移的问题。实验结果表明，该方法在图像到图像、文本到图像和文本到文本的转移任务中显著优于几种前沿方法。

Aug, 2019

针对特定领域的批量归一化在无监督领域适应中的应用

提出了一种基于领域特定批量归一化的深度神经网络的新型无监督领域自适应框架，其中包括估计目标领域示例的伪标签和使用多任务分类损失进行源和目标域的学习，实现了多源领域自适应场景的全面优化。

May, 2019

贝叶斯不确定性匹配在无监督域自适应中的应用

通过对深度神经网络中的预测不确定性进行建模并通过约束标签的分布来匹配特征和标签分布，从而有效地减轻了源域和目标域数据之间的标签分布迁移，进而在三个常见的数据集上表现出优异的效果

Jun, 2019

动态对抗适应网络的迁移学习

该论文提出了一种新的动态对抗自适应网络（DAAN），旨在在量化评估全局和本地域分布的相对重要性的同时，动态学习域不变表示。DAAN 是首次尝试对深层对抗学习进行动态自适应分布的实践。该方法在真实应用中易于实现和训练，并取得了比现有方法更好的分类准确性，结果表明对抗迁移学习中动态分布自适应的必要性和有效性。

Sep, 2019