Feb, 2017

领域不变表示学习的中心矩差（CMD）

PDF
TL;DR本研究提出了一种新的正则化方法，通过匹配概率分布的高阶中心矩的差异来学习域不变的特征表示，实现域自适应。结果表明，这种方法在两个不同的基准数据集上均取得了最新的性能，并显示出稳定性。
domain-invariant representationsregularization methodhigher order momentscentral moment discrepancydomain adaptation
发现论文，激发创造
  • 重新思考最大平均差异用于域自适应

    本研究通过理论证明了 MMD 对源域和目标域内类距离进行最大化，并连带减少它们的方差以降低特征可分性；同时分析了内类距离和间类距离的关系，提出了一种新的基于判别性 MMD 的方法，实验表明其在几个基准数据集上的效果优于现有方法。

    Jul, 2020

  • 通过矩阵对齐实现神经网络的强大无监督领域适配

    本文提出一种新的神经网络无监督域适应的方法，该方法基于度量学习的正则化，通过最大化不同域之间的激活分布相似性来实现域不变的潜在特征表示，从而获得更高的分类准确性。

    Nov, 2017

  • 基于最大均值差异（MMD）统计量的集中不等式及其在生成模型中的应用

    我们提出了一种均匀集中不等式，用于一类基于最大均值差异（MMD）的估计器的理论分析，特别是在生成模型中的应用。我们将该结果应用于最小 MMD 估计器和 MMD GAN 的泛化误差界的推导

    May, 2024

  • 领域自适应神经网络用于物体识别

    该研究提出了一个结合最大平均差异（Maximum Mean Discrepancy）的正则化项和去噪自编码器预训练的神经网络模型，以解决目标识别中的领域自适应问题，实验表明，该模型在源域和目标域之间建立的潜在空间显著降低了分布不匹配问题，并且在原始像素和 SURF 特征数据集上均比同类别基准模型表现更优秀。

    Sep, 2014

  • HoMM: 无监督域自适应的高阶矩匹配

    本研究提出了 Higher-order Moment Matching (HoMM) 方法，将其扩展到再生核希尔伯特空间 (RKHS) 中，利用高阶统计量进行领域匹配并利用伪标记目标样本提高转移学习性能，验证结果证明 HoMM 方法明显优于现有的基于矩匹配的方法。

    Dec, 2019

  • 条件生成的矩匹配网络

    本研究提出了条件生成矩匹配网络 (CGMMN)，基于条件最大均值差距 (CMMD) 标准，学习给定一些输入变量的条件分布，学习采用随机梯度下降，梯度通过反向传播计算。我们在广泛的任务上评估了 CGMMN，包括预测建模、上下文生成和贝叶斯暗知识，这些任务通过学习相对较小的 CGMMN 学生网络从贝叶斯模型中提炼知识。结果表明，在所有任务中都具有竞争性的性能。

    Jun, 2016

  • 注意了课程权重偏差：加权最大均值差异用于无监督域自适应

    本研究提出了一种加权 MMD 方法，采用类特定辅助权重来考虑不同类别间的先验概率分布偏差，通过交替为源域中的每个类别引入辅助权重和分配伪标签以更新模型参数，解决了 MMD 忽视类别间重量偏差的问题。实验表明，加权 MMD 方法优于传统的 MMD 方法在域适应中的表现。

    May, 2017

  • 基于条件矩匹配差异的图像分类中学习核

    本文提出了 KLN 方法，即利用深度神经网络的特征进行迭代学习，使用 CMMD 损失和自编码器等方式来实现注射函数的学习，从而提高了数据分类描述的效能，分类性能达到了最新的良好结果。

    Aug, 2020

  • 关于深度领域自适应的最小差别估计

    本文提出一种基于二阶统计量（协方差）和源目标数据最大均值差异的双流卷积神经网络的非监督式深度领域适应方法， 通过实验表明，该方法在三个基准领域适应数据集上均可实现最先进的图像分类性能。

    Jan, 2019

  • 具有最大平均差异正则化的贝叶斯神经网络

    本文提出了一种基于最大均值差异的理解下界（ELBO）的变体，该下界替代了 KL 散度，取得了比现有技术更高的多个基准测试结果，包括多个图像分类任务。 此外，本文还提出了一种新的估算给定预测的不确定性的公式，并表明该公式对抗攻击和输入噪声具有更强的健壮性。

    Mar, 2020