本文提出了一种新的领域自适应字典学习框架用于跨领域视觉识别,该方法通过学习一组中间领域,形成一个平滑的路径来弥补源域和目标域之间的差距,并通过分离共享字典和特定字典来实现更紧凑和再现性字典的学习,通过领域自适应稀疏编码和字典更新步骤学习。实验结果表明,该方法在三个公共数据集上表现优于大多数最先进的方法。
Apr, 2018
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
本文探讨无监督的跨域图像检索任务,提出了基于类簇对比学习和距离 - 距离损失的方法,无需外部监督,在 Office-Home 和 DomainNet 数据集上实验结果表明,我们的方法优于现有最先进方法。
Jul, 2022
本研究提出一种基于特征嵌入、利用 NLP 问题中常见的特征模板结构的新颖但简单的特征学习方法来提高无监督领域自适应的性能。
Dec, 2014
本文提出了一种基于不同领域文本的词嵌入学习方法,并通过多个下游 NLP 任务的实验,证明了该方法的有效性。
Feb, 2019
本文针对无监督域适应学习中常见的假设提出了简单反例,证明了这些假设并不足以保证域适应的成功;提出了一种基于信息理论的弱化条件,并证明了任何试图学习不变表示的域适应方法的联合误差都存在一种基本的权衡;最后,通过实验验证了理论结果。
Jan, 2019
该研究论文介绍了一种基于隐藏马尔科夫模型来学习词汇表示,并使用大量未标记数据将这些方法更好地适用于不同领域数据的方法。
Dec, 2013
该论文探讨了一种无监督的方法,用于推导出一种通用的,跨语言的词嵌入空间,其中不同语言中具有类似语义的单词彼此接近。通过使用线性插值的一系列中间空间,该方法模拟了计算机视觉中的域流方法,以提高跨语言自然语言推理的性能。
Oct, 2022
提出一种通过使用语言建模来学习领域感知特征嵌入,在多个实验中提高神经机器翻译性能的方法,该方法允许使用者指定特定领域的文本表示。
Aug, 2019
研究表明,学习领域不变表示已成为非监督领域适应的一种流行方法,但其局限性主要在于非反演变换中丢失的信息以及领域不变性是一个过于严格的要求,本研究提出了一种权衡代价的一般化界限,并建议使用测量源域覆盖目标域范围的范围来提高性能。
Mar, 2019