介绍了机器学习中领域自适应和转移学习的数据分布变化问题,分类模型的风险最小化框架及其在复杂变化中的应用,并讨论了多种方法来解决这些问题,但要实现实用化仍需解决许多问题。
Dec, 2018
本文关注的是无监督领域适应问题,该问题中只在源域内提供标签。文章试图从不同角度解释领域适应的类别,并提出了一些成功的浅层和深层领域适应方法。
Oct, 2020
该论文提出了一种无需源数据的领域自适应技术,其基于生成式框架,使用来自源类的分类器生成样本,并使用神经能量网络训练联合分布,在此极为新颖的场景中取得了比基准模型更好的结果。
Feb, 2021
针对多类分类问题的领域适应问题,我们提出了一种基于对抗鉴别器的方法,并采用了有关分类结构的信息,得到了在基准数据集上的最优结果。
Apr, 2019
本研究关注最近在计算机视觉领域的早期领域转移学习方法,强调借助标记数据从不同域进行域适应以在目标域中提高数据分类准确度。
Nov, 2012
本文综述了最新的单源深度无监督域适应方法,主要集中在视觉任务中,并讨论了未来研究的新视角。首先介绍了不同领域适应策略的定义和现有基准数据集的描述,然后总结和比较了不同类别的单源无监督域适应方法,包括基于差异性的方法,对抗式鉴别方法,对抗式生成方法和自监督方法,并探讨了未来的研究方向、挑战和可能的解决方案。
Sep, 2020
该文章研究了无监督领域自适应的问题,提出一种新的方法,该方法同时学习 domain-invariant features 和 discriminative features,并且以信息论度量作为优化目标,在目标域和源域中训练分类器。经过实验验证,该方法在物体识别和情感分析等任务中表现出了明显的优势。
Jun, 2012
该研究提出了一种利用对抗训练的开放式域自适应方法,其中分类器被训练用于在源与目标样本之间建立边界,而生成器被训练用于使目标样本远离边界,从而摆脱未知的目标样本,该方法在领域适应设置中得到了广泛的评估,并在大多数设置中优于其他方法。
Apr, 2018
该研究提出了一种针对亮度、对比度等自然变化轴的目标域适应方法,只需要无标签的目标数据和源分类器,有效地解决了预训练模型中源数据不可用的问题,并表明其在有限标记数据的情况下胜过微调基线。
Jul, 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