深度超对准
我们提出了一种无监督领域适应方法,该方法通过使用类正则化的超图匹配,考虑目标域中仅有的未标记数据,在标准对象识别数据集上的实验验证了我们的框架有效性。
May, 2018
本研究通过引入 DomaIn Alignment Layers 方法解决领域适应中的特征分布偏移问题,从而提高视觉识别系统在不同领域数据集上的成功率,并在三个公开基准测试中取得了成功的实验结果。
Feb, 2017
本文提出了一种深度特征注册(DFR)模型,通过直方图匹配生成保持领域不变特征且同时最小化已注册特征和目标特征的领域不相似性的已注册特征。我们进一步采用了伪标签细化流程,结合概率软选择和基于中心的硬选择来改善目标域中伪标签的质量。在多个 UDA 基准测试上进行的大量实验证明了我们 DFR 模型的有效性,取得了新的最佳性能。
Oct, 2023
图领域适应性研究中,本文提出了一种新颖的、基于理论原则的方法,即配对校准(Pair-Align),以解决图结构的移动性问题。通过减轻条件结构移位和标签移位,Pair-Align 利用边权重重新校准相邻节点之间的影响,并通过标签权重调整分类损失来处理标签移位。本方法在实际应用中表现出卓越的性能,包括社交网络中具有区域移位的节点分类以及粒子碰撞实验中的堆积减灾任务。对于第一个应用,我们还创建了迄今为止最大的 GDA 研究数据集,并在合成和其他现有基准数据集上展示了强大的性能。
Mar, 2024
SEA and SEA++ are proposed for Multivariate Time-Series Unsupervised Domain Adaptation (MTS-UDA), aiming to reduce domain discrepancies at both the local and global sensor levels, and have demonstrated state-of-the-art performance on public MTS datasets for MTS-UDA.
Nov, 2023
该研究论文介绍了一种针对目标数据集中有限标记信号的新颖时序数据域自适应技术,称为混合模型 Stiefel 自适应 (MSA),通过利用目标域中丰富的无标记数据,建立起信号方差之间的等价对应关系,以确保有效的预测。该方法在神经科学问题中的应用中,使用来自 Cam-CAN 数据集的脑磁成像 (MEG) 信号,在任务变化的脑龄回归中胜过最近的方法。
Jan, 2024
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
通过学习相关可扩展的线性分配问题,我们提出了一种对数据进行对齐的方法,该方法在单细胞多组学和神经潜伏空间的数据集上取得了最先进的性能,并且在概念上和计算上非常简单。
Jun, 2024
通过学习解决权重对齐问题的新框架 Deep-Align,该研究提出了深度网络的排列对称性和权重排列两个基本对称性,并在多个网络架构和学习设置上进行了实验,结果显示 Deep-Align 能够产生与当前优化算法相比更好或相等的对齐,并可用作其他方法的初始化,以实现更好的解决方案和显著加速收敛速度。
Oct, 2023