选择性对抗网络的部分迁移学习
本文提出部分域自适应作为一种新的域自适应场景,旨在将现有大型域中的深度模型转移到未知小型域中,通过下调异常源类别数据来训练源分类器和域对手,同时匹配共享标签空间中的特征分布来同时缓解负迁移并促进正迁移,实验证明这种方法在多个数据集上的部分域自适应任务中超越了现有的最先进结果。
Aug, 2018
本文通过提出 Example Transfer Network(ETN)的方法,使得源域与目标域的表示更具有代表性而形成一种权衡,从而在部分领域适应任务中取得最新的成果。
Mar, 2019
本文提出了一种基于重要性加权的对抗网络方法,用于无监督域自适应,特别适用于目标域比源域类别少的部分域适应。该方法可以克服现有域适应方法中假定标签空间相同的局限,并减少域之间共享类的变化。
Mar, 2018
本文通过研究发现,针对新领域的迁移学习中,对于只有有限数据的情况下,通过对抗训练的模型相对于非对抗训练的模型具有更好的迁移性能。同时,对抗训练可以使学习到的表示偏向于保留形状而不是纹理,这影响了源模型的可迁移性,并且使用影响函数的方法发现迁移的对抗训练模型包含更多的人类可识别的语义信息,这至少部分解释了为什么对抗训练模型更实用。
Jul, 2020
该研究提出了一种基于 Deep Subdomain Adaptation Network (DSAN) 的领域自适应方法,通过使用本地最大平均差异 (LMMD) 对不同领域的相关子域分布进行对齐,从而不需要敌对训练且收敛速度快,在对象识别和数字分类任务中均取得了显着的结果。
Jun, 2021
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
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
本文提出了一种基于本地特征相似度的多源敌对转移学习方法,通过子网络提取单个来源域和目标域之间的可转移本地特征,用注意力模块对其进行加权,以抑制不可转移的本地特征并增强可转移的本地特征;并证明了该方法在只有本地相似性的转移场景中的可行性,实验中在提出的数据集 “局部 Carvana 图像遮蔽数据集” 的图像分割任务中,实现了比其他多源转移学习方法更好的转移性能。
May, 2023