利用黎曼度量进行领域适应的相关性对齐
通过利用统计流形的曲率黎曼几何,我们提出了一种新的域自适应框架,该框架可以整合标记源域和未标记目标域之间的几何和统计差异,从而实现源到目标的转移。
Apr, 2018
提出了一种基于流形的几何学方法,用于学习源语言和目标语言之间的无监督对齐单词嵌入。该方法将对齐学习问题进行了公式化,并将其视为具有两倍随机矩阵的流形上的域自适应问题。实验表明,该方法在多种语言对的双语词汇识别任务上优于现有的最优传输方法,尤其对于远程语言对的性能改进更为显著。
Apr, 2020
采用深度学习方法实现无监督域自适应,通过研究源域和目标域之间的二阶矩对齐可以最小化熵,提出了一种比欧几里得方法更有原则性的策略,利用源到目标的正则化器以无监督和数据驱动的方式量化,并在标准性的域适应基准测试中证实了该框架的优势。
Nov, 2017
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
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
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
本文提出了一种简单且有效的无监督领域自适应方法 ——CORrelation ALignment (CORAL),通过对齐源域和目标域的二阶统计信息来最小化领域偏移,而不需要目标标签。相比于子空间流形方法,CORAL 原始特征分布不需要低维子空间基项的对齐,且比其他分布匹配方法更为简单。CORAL 还扩展到了非线性转换对齐深度神经网络中的层激活的相关性,通过在标准基准数据集上取得了最新的性能,最终获得了 Deep CORAL 方法。
Dec, 2016
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。
Nov, 2016
本文提出一种新的基于监督学习的域适应技术,利用最优传输方法和嵌入相似性技术,从少量样本中搜索最优类别相关转换,并在推理中选择相应的转换,能够减小领域差异,并在多个包括模拟和手写数据集的领域漂移时间序列数据集上进行了广泛的评估。
Apr, 2022