该论文提出了一种新的动态对抗自适应网络(DAAN),旨在在量化评估全局和本地域分布的相对重要性的同时,动态学习域不变表示。DAAN 是首次尝试对深层对抗学习进行动态自适应分布的实践。该方法在真实应用中易于实现和训练,并取得了比现有方法更好的分类准确性,结果表明对抗迁移学习中动态分布自适应的必要性和有效性。
Sep, 2019
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
本文提出了条件对抗网络 (CANs) 框架,旨在探索共享特征和标签预测之间的关系,以对共享特征施加更多的可辨识性,用于多领域文本分类 (MDTC)。CAN 引入了一个条件域鉴别器,同时对共享特征表示和类别感知信息建模,采用熵条件保证共享特征的可转移性。我们提供了 CAN 框架的理论分析,证明 CAN 的目标等价于最小化共享特征和标签预测的多个联合分布之间的总发散。因此,CAN 是一个理论上良好的对抗网络,其可以判别多个分布。在两个 MDTC 基准测试上的评估结果表明,CAN 优于之前的方法。进一步的实验表明,CAN 具有将学习到的知识推广到未见领域的良好能力。
Feb, 2021
本文提出一种名为 3CATN 的方法,利用条件生成对抗网络和特征翻译实现跨域知识转移,解决了当前生成对抗模型中平衡挑战的致命弱点,并在大量实验中展现了当前最先进的表现。
本文提出了一种基于多通路结构、利用领域专业特征进行自适应知识提取的域适应方法,通过添加特定领域的注意力机制探索低层次的领域特异性特征以及特定层次的知识适应块来提高适应性。
Mar, 2021
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
本文提出一种多重对抗领域自适应方法 (MADA),能够捕获多模态结构,利用多个领域判别器实现不同数据分布的精细对齐,利用随机梯度下降计算梯度,证据表明该模型在标准领域自适应数据集上优于现有最先进方法。
Sep, 2018
该论文提出了一种基于领域条件自适应网络(DCAN)的深度领域自适应模型,在卷积层之间引入了领域特定的通道激活机制和特征修正块,旨在解决源域和目标域数据分布的差异问题,实验结果表明,该模型在跨领域学习任务上表现优异。
May, 2020
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。
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