基于流形度量学习的领域自适应统一框架

Apr, 2018

基于流形度量学习的领域自适应统一框架

A Unified Framework for Domain Adaptation using Metric Learning on Manifolds

Sridhar Mahadevan, Bamdev Mishra, Shalini Ghosh

TL;DR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。

Abstract

We present a novel framework for domain adaptation, whereby both geometric and statistical differences between a labeled source domain and unlabeled target domain can be integrated by exploiting the curved riemannian ge

domain adaptation geometric mean metric learning riemannian geometry covariance matrices transfer learning

发现论文，激发创造

利用黎曼度量进行领域适应的相关性对齐

本文研究如何进行领域自适应，特别是无监督领域自适应。通过使用神经网络并对其隐藏层的特征进行约束，得到了一个利用该流形上的理论上合理测地线距离的损失函数，从而比以前的方法表现更好。

May, 2017

判别式流形传播的无监督域适应

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

基于判别流形嵌入和对齐的无监督领域自适应

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

面向几何感知的领域自适应方法用于词嵌入无监督对齐

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

从流形到流形：用于 SPD 矩阵的几何感知降维

使用正定对称 (SPD) 矩阵表示图像和视频，并考虑到所得空间的里曼尼几何，已被证明在许多识别任务中有益。本文引入了一种方法来构建一个更具判别力的低维 SPD 流形以处理高维 SPD 矩阵，并将学习表述为 Grassmann 流形上的优化问题。实验表明，与现有技术相比，我们的方法可使分类准确性显著提高。

Jul, 2014

基于 SPD 流形的深度最优传输领域自适应

该研究提出了一种基于对称正定流形上的最优传输框架的迁移学习方法，并应用于 EEG-BCI 领域的跨会话运动想象分类问题，有效提升了分类的准确率。

Jan, 2022

基于 SPD 流形的几何感知相似度学习在视觉识别中的应用

本文提出了一种利用黎曼几何学习固定秩半正定矩阵流形的几何感知 SPD 相似性学习框架，通过在 PSD 流形中优化来学习具有判别性的 SPD 特征，优于现有的基于 SPD 的判别学习方法。

Aug, 2016

通过类中心匹配和局部流形自学实现领域自适应

本文提出了一种新颖的领域自适应方法，通过聚类和伪标签匹配等技术，对减少两个领域之间的分布差异，实现了在无监督和有监督领域自适应方面的显着优势。

Mar, 2020

用 VAEs 学习平坦的潜在流形

本研究提出了一种基于 Riemannian geometry 的扩展的变分自编码器框架，可以学习平面的潜在流形，通过约束优化问题和使用更具表达力的层次先验代替紧凑先验，使得在保留直线状方法的计算效率的同时，能够在视频跟踪基准测试中接近监督学习方法的性能。

Feb, 2020

SPD 矩阵圆锥流形上的平行输运用于领域自适应

本文提出一种基于协方差矩阵和对称正定矩阵的锥形流形平行传输的领域自适用方法，并使用黎曼几何进行了严格分析，同时在模拟和真实数据上进行了实验，证明了该方法的理论保证和实际效果。

Jul, 2018