平衡分布自适应迁移学习

Jul, 2018

Balanced Distribution Adaptation for Transfer Learning

Jindong Wang, Yiqiang Chen, Shuji Hao, Wenjie Feng, Zhiqi Shen

TL;DR本文提出了一种名为平衡分布适应（BDA）的新型迁移学习方法，该方法可以自适应地利用边际和条件分布差异的重要性，并提出了一种新的加权平衡分布适应（W-BDA）算法来解决转移学习中的类别不平衡问题。在多个迁移学习任务中进行的广泛实验表明，与几种先进方法相比，所提出的算法的有效性。

Abstract

transfer learning has achieved promising results by leveraging knowledge from the source domain to annotate the target domain which has few or none labels. Existing methods often seek to minimize the distribution divergence between domains, such as the marginal distribution, the condit

transfer learning distribution adaptation balanced distribution adaptation weighted balanced distribution adaptation class imbalance

发现论文，激发创造

动态分布自适应的迁移学习

本文提出了一种名为 DDA（动态分布适应）的新概念，可以对每个分布的相对重要性进行定量评估并解决传输学习问题，进而提出两种新的学习算法 MDDA 和 DDAN，得到了显著改善传输学习性能的结果。

Sep, 2019

非对称松弛分布对齐的域自适应

本文提出了一种非对称松弛分布对齐的方法来解决领域适应中标签分布偏移问题，并找到了合理的理论假设条件来支撑该方法，证明了该方法在合成和真实数据集上的实际效果。

Mar, 2019

动态对抗适应网络的迁移学习

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

贝叶斯不确定性匹配在无监督域自适应中的应用

通过对深度神经网络中的预测不确定性进行建模并通过约束标签的分布来匹配特征和标签分布，从而有效地减轻了源域和目标域数据之间的标签分布迁移，进而在三个常见的数据集上表现出优异的效果

Jun, 2019

主动域自适应中对标签分布偏移的对抗

提出了一种主动域自适应的方法，通过新的采样策略，在满足代表性、多样性和不确定性的同时，选择最能近似整个目标分布的样本，并使用这些样本进行监督学习以及匹配源域和目标域的标签分布，取得了显著的性能提升。在四个公共基准测试上，本方法在每种自适应情景下均显著优于现有方法。

Aug, 2022

基于平衡和不确定性感知的部分域自适应方法

本研究提出了一种用于解决源域与目标域类别不完全相同情况下的无监督域适应问题的方法 BA$^3$US，通过两种新技术 BAA 和 AUS 来平衡类分布并抑制不确定性的传播，在多个基准测试中，实验结果表明 BA$^3$US 优于现有方法。

Mar, 2020

判别式标签一致性域自适应

本文提出了一种新颖的无监督域自适应方法，通过同时优化理论上建立的误差界的三个项，迭代搜索潜在的共享特征子空间，来降低数据分布差异并增加类间距离，以有效学习目标数据的预测器。同时，还考虑了数据异常值的影响以避免负面知识迁移。实验和分析验证了该方法的有效性和优越性。

Feb, 2018

多域长尾识别、不平衡域泛化及其它

研究多领域长尾识别（MDLT）的任务，该任务学习来自多领域的不平衡数据，同时处理标签不平衡、领域漂移和不同领域间标签分布的差异，并推广到所有领域 - 类别对。提出了 BoDA 这一理论上基础的学习策略，它跟踪 MDLT 中的传递性统计的上限，并确保在不平衡的领域 - 类别分布之间平衡对齐和校准。在五个 MDLT 基准测试中，与涵盖不同学习策略的二十种算法进行了比较，实验结果显示 BoDA 具有更好的性能表现。此外，BoDA 在领域泛化基准测试中建立了新的最优效果，凸显跨领域的数据不平衡问题的重要性，这对于提高对未知领域的泛化能力可能至关重要。

Mar, 2022

紧密但不同的领域自适应

该论文提出了一种名称为 CDDA 的方法，通过最大平均差异度量源和目标域之间的差异，生成具有约束力的潜在特征表示，并提出标签平滑性和几何结构一致性的约束条件，进一步提高其适应领域的区分能力。

Apr, 2017

自适应加权对抗领域适应

提出了一种自适应的、基于条件分布的加权对抗领域适应方法，将三元损失与对抗损失结合应用于度量学习，以保证类别级别的对齐；实验结果表明，该方法在标准领域适应数据集上优于现有方法。

May, 2020