ICLRJul, 2018

增强循环对抗学习用于低资源域自适应

PDF
TL;DR本文介绍了一种增强循环对抗学习模型，用于域适应并解决在其中数据丰富的域中对任务的学习问题，通过迁移学习及结合声音识别任务的结果，在低资源环境下将 SVHN 和 MNIST 彼此转换的分类准确率分别提升了 14% 和 4%。
domain adaptationcycleganaugmented cyclic adversarial learning modellow-resource settingspeech recognition
发现论文，激发创造
  • CyCADA: 循环一致性对抗域自适应

    本文提出一种新颖的 Cycle-Consistent Adversarial Domain Adaptation 模型，可以在视觉识别和预测的各种情景中适用，通过像素级和特征级的适应，强制实施循环一致性，并利用任务损失，从而在多个适应任务中展现出新的最先进结果，包括数字分类和道路场景的语义分割，展示从合成到真实世界领域的转移。

    Nov, 2017

  • 增强循环 GAN: 从非配对数据学习多对多映射

    通过学习多对多的映射关系，我们提出一种新的模型 Augmented CycleGAN，使得在缺乏配对数据的情况下能够从非配对数据中提取结构信息，从而提高图像分割等结构化预测任务的性能，这在 CycleGAN 的假设单向单映射关系无法满足的情况下格外重要，并且通过实验证明了模型在多个图像数据集上的有效性。

    Feb, 2018

  • 循环一致条件对抗迁移网络

    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。

    Sep, 2019

  • 利用多个来源的课程 CycleGAN 进行文本情感域自适应

    本文介绍了一种名为课程循环一致生成对抗网络（C-CycleGAN）的实例级多源域适应框架，可在处理用户评论和反馈数据中应用多源域适应领域，该框架主要包括预训练文本编码器、中间域生成器和任务分类器，可达到比现有域自适应方法更好的性能。

    Nov, 2020

  • 一种多判别器循环生成对抗网络用于非平行语音领域自适应无监督学习

    本研究提出了一种基于循环一致性生成对抗网络 (CycleGAN) 的非平行语音领域自适应的新生代模型，通过在功率频谱上使用多个独立的判别器，模型能够产生更逼真的域自适应谱图，在性别自适应的语音识别任务上，相对于基线模型，在 TIMIT 和 WSJ 数据集上表现都有很大提升。

    Mar, 2018

  • 循环一致 GAN 的对抗性自卫

    本文研究了无监督图像翻译中的自我攻击问题，提出了两种防御技术，发现增强模型抵抗自我对抗攻击的能力能提高生成质量和重构可靠性，降低模型受低幅扰动的敏感度。

    Aug, 2019

  • 零样本域自适应的条件耦合生成对抗网络

    本文中，我们提出了带条件的联合生成对抗网络（CoCoGAN）来解决零样本域自适应（ZSDA）问题，在没有目标域数据的情况下训练 CoCoGAN 以完成领域自适应。通过在相关任务（RT）和不相关任务（IRT）中采用源域数据和双域数据进行训练，CoCoGAN 能够捕获两个不同任务的双域样本的联合分布，从而使其在图像分类方面优于现有的技术水平。

    Sep, 2020

  • 无监督像素级域自适应生成对抗网络

    本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

    Dec, 2016

  • 使用 CycleGAN 和跨域损失改进半监督端到端自动语音识别

    本研究提出了一种结合 CycleGAN 和域间损失的新方法，用于半监督的端到端自动语音识别，利用这种方法可以在无配对的语音文本输入上进行训练，并取得了明显的性能提升。

    Oct, 2022

  • 通过对抗数据增强方法泛化到未见领域

    该篇研究论文提出了一个基于循环迭代的数据增强方法，使用虚构的目标领域中存在 “困难” 样本的数据来训练学习模型，以在先前未知的目标领域上实现更好的一般化表现。该方法利用对抗性示例以及数据依赖正则化来提高模型性能。

    May, 2018