本文提出了一种新颖的无监督域自适应方法,通过同时优化理论上建立的误差界的三个项,迭代搜索潜在的共享特征子空间,来降低数据分布差异并增加类间距离,以有效学习目标数据的预测器。同时,还考虑了数据异常值的影响以避免负面知识迁移。实验和分析验证了该方法的有效性和优越性。
Feb, 2018
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
提出了一种基于判别式对抗领域适应 (DADA) 的新型对抗学习方法,其鼓励在输入实例的任何情况下,类别和域预测之间存在相互抑制关系,以解决现有方法中任务和域分类器相互独立导致的收敛问题,该方法能够在实际条件下定义一个最小极值博弈,促进联合分布对齐。除传统的闭集领域适应以外,还将 DADA 扩展到部分和开放集领域适应的极具挑战性的问题设置中,在基准数据集上实验表明了该方法的有效性并达到了三个场景下的最新成果。
Nov, 2019
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
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
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
本文提出了连续域自适应(CDA)问题,并提出了一种新颖的方法作为 CDA 基线。该方法通过交替训练策略、连续性约束和域特定队列等手段,在多个域之间降低差异性并泛化到未见目标域,从而在 CDA 问题中实现了最优性能。
Aug, 2022
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
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
本文介绍了对抗学习的方法能够通过一般化的视角更好地理解前面的方法,并提出了一个新的对抗判别域自适应框架,称为 ADDA,它将判别建模、解除权重共享和 GAN 损失结合在一起,优于竞争的域对抗方法,且在标准的跨域数字分类任务和一种新的更难的跨模态物体分类任务中超越了最新的无监督适应结果。
Feb, 2017