带标签噪声的迁移学习
该研究论文提出了一种无监督学习方法,它通过显式地从噪声数据中学习不变展示来重建清晰图像,并通过引入离散解缠表示和敌对域自适应等额外的自监督模块实现。实验表明该方法在合成和真实噪声去除任务方面表现与最先进的监督和无监督方法相当,同时比其他领域适应方法具有更快和更稳定的收敛性。
Mar, 2020
本文针对无监督域适应学习中常见的假设提出了简单反例,证明了这些假设并不足以保证域适应的成功;提出了一种基于信息理论的弱化条件,并证明了任何试图学习不变表示的域适应方法的联合误差都存在一种基本的权衡;最后,通过实验验证了理论结果。
Jan, 2019
该论文提出了一种基于无标签干扰数据集训练深度卷积神经网络的新型框架,并使用一个无向图模型来描述干净和嘈杂标签之间的关系,在监督学习过程中学习这个模型。该模型在图像标注问题上应用,并在 CIFAR-10 和 MS COCO 数据集上展示出有效的标注效果和在训练中实现了减少标签噪声的效果。
May, 2017
本文提出了一种名为 TransLATE 的通用对抗自编码器框架,通过最小化连续时间戳之间的潜在特征空间中目标域的分类误差和 C - 散度来建模具有时间演变目标域的连续转移学习设置。
Jun, 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。
May, 2020
本文提出了一种基于无监督域自适应和深度聚类的方法,利用来自多个源域的数据信息建立一个与具体域无关的聚类模型,并通过特征对齐和自我监督实现有效地适应目标域。本文的方法即使在少量目标样本的情况下也能自动发现相关语义信息,并在多个域自适应基准测试中取得了最先进的结果。
Aug, 2020
本文提出了一种目标导向的隐式神经映射算法,优化双重领域以分别建模有噪声的表示的标准空间 (噪声鲁棒 (NR) 域) 和一个双生干净空间标准,即无噪声 (NF) 域,通过最大化表示之间的信息交互来增强其对噪声的稳健性,并通过 NR 和 NF 之间的映射函数生成抗噪能力的表示,以实现对复杂噪声图像的鲁棒性和高性能。
Jul, 2023
该研究提出了一种新颖的领域无关对比学习方法 DACl,利用 Mixup 噪声在输入或隐藏状态级别上不同地混合数据样本来创建相似和不相似的示例,并在各种领域进行实验,结果表明 DACl 不仅优于其他领域无关的噪声方法,而且与 SimCLR 等领域特定方法结合,可以提高自监督视觉表示学习。
Nov, 2020
使用 CleanNet 作为联合神经嵌入网络的核心,我们在图像分类模型中学习标签噪声,通过较少的人工监督,仅验证一小部分类别即可降低训练模型的标签噪声误差,并通过多项实验验证了该算法在实际数据测试中的有效性。
Nov, 2017
该论文提出了一个领域不变表示学习算法,能够通过拟合联合概率分布并采用对抗学习减少不同领域之间的偏移,提高基于视觉深度学习的物体识别的表现以及在真实场景中的应用。
Nov, 2020