为领域自适应学习不变的 Hilbert 空间

Nov, 2016

为领域自适应学习不变的 Hilbert 空间

Learning an Invariant Hilbert Space for Domain Adaptation

Samitha Herath, Mehrtash Harandi, Fatih Porikli

TL;DR本文提出了一种学习方案，用于构建希尔伯特空间，以解决无监督和半监督领域自适应问题，并通过学习每个领域到潜在空间的投影来实现，同时最小化领域方差的概念，同时最大化区分力的测量。我们利用黎曼优化技术在不同领域中进行潜在空间中的样本之间的统计属性匹配。我们进一步认为共享相同标签的样本形成更紧凑的聚类，同时拉开来自不同类别的样本。我们针对手工制作和深度网络功能使用我们的提案进行全面评估和对比，并在视觉领域自适应任务中展示了我们的实验，即使是用简单的最近邻分类器，这种方法也可以胜过几种最先进的方法。

Abstract

This paper introduces a learning scheme to construct a Hilbert space (i.e., a vector space along its inner product) to address both unsupervised and semi-supervised domain adaptation problems. This is achieved by learning projections from each domain to a latent space along the

unsupervised domain adaptation semi-supervised domain adaptation mahalanobis metric riemannian optimization techniques visual domain adaptation

发现论文，激发创造

基于信息论的鉴别聚类学习用于无监督领域自适应

该文章研究了无监督领域自适应的问题，提出一种新的方法，该方法同时学习 domain-invariant features 和 discriminative features，并且以信息论度量作为优化目标，在目标域和源域中训练分类器。经过实验验证，该方法在物体识别和情感分析等任务中表现出了明显的优势。

Jun, 2012

语义分割的无监督域适应中的潜空间正则化

本文提出一种特征级别的空间塑形正则化策略来减少语义分割中的域差异，从而在自动驾驶设置中实现了多种合成到实际路景基准的最先进结果。

Apr, 2021

判别式流形传播的无监督域适应

提出了一种基于黎曼流形学习的概率判别标准，用于使用软标签在目标域上实现可转移性和可区分性，该方法可以处理许多不同的领域自适应问题，并通过大量实验展示出优越性。

Aug, 2020

子空间对齐的域自适应

本研究介绍了一种新的领域自适应算法，其中源域和目标域由特征向量所构成的子空间表示。通过学习将源子空间与目标子空间对齐的映射函数，我们的方法寻求一个不变的特征空间。我们提出了两种方法来确定超参数的大小，一种方法使用所得结果稳定性的理论边界来调整子空间的大小，另一种方法使用最大似然估计来确定子空间的大小。除了 PCA，我们还提出一种子空间创建方法，它在领域自适应中优于 PLS 和 LDA，并在各种数据集上对我们的方法进行了测试，结果表明它的性能优于现有的领域自适应方法。

Sep, 2014

学习不变表示以进行领域自适应

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

启发式域自适应

本文提出了一种基于启发式搜索的领域不变和领域特定信息建模方法 —— 启发式领域自适应 (HDA)，并通过导出启发式表示约束，提出了一种启发式领域自适应网络 (HDAN)。实验证明，该方法在无监督 DA、多源 DA 和半监督 DA 等任务上均超过了现有最先进方法。

Nov, 2020

无监督适应的跨域分类和子空间学习

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

通过类中心匹配和局部流形自学实现领域自适应

本文提出了一种新颖的领域自适应方法，通过聚类和伪标签匹配等技术，对减少两个领域之间的分布差异，实现了在无监督和有监督领域自适应方面的显着优势。

Mar, 2020

利用黎曼度量进行领域适应的相关性对齐

本文研究如何进行领域自适应，特别是无监督领域自适应。通过使用神经网络并对其隐藏层的特征进行约束，得到了一个利用该流形上的理论上合理测地线距离的损失函数，从而比以前的方法表现更好。

May, 2017

基于判别流形嵌入和对齐的无监督领域自适应

该论文提出了一种使用 Riemannian 流形学习框架实现无监督域自适应的方法，通过软标签建立目标域上的概率判别准则，并将其扩展为全局逼近方案，利用流形度量对齐与嵌入空间兼容，同时导出理论误差界限，实现转移性和区分性的一致性，实验结果表明所提出的流形学习框架具有优越性。

Feb, 2020