Mar, 2019

转移适应学习：十年综述

PDF
TL;DR本文综述了过去十年中 TAL 方法学术的进展和技术挑战，并提出了广义解决方案，包括实例重新加权适应、特征适应、分类器适应、深度网络适应和对抗适应，以实现全面的理解和未来挑战的安全应用。
发现论文，激发创造
  • 领域自适应理论概述：学习界限与理论保证调查

    该论文综述了迁移学习中的一个具有代表性的子领域 —— 领域自适应，介绍了基于不同统计学习框架的学习界限等方面的理论研究现状。

    Apr, 2020

  • 领域自适应和迁移学习简介

    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

  • 学习迁移

    利用 “学习转移（L2T）” 框架，从之前的转移学习经验中学习反思功能并利用其来自动确定最佳的转移方法和转移内容，以此来发现更多可以转移的知识。

    Aug, 2017

  • 领域自适应简介

    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

  • 知识适应：教授如何适应

    本研究提出一种基于知识蒸馏的领域自适应技术，针对多源无监督情感分析数据集，在考虑多个教师及其领域专业性的基础上，实现了最优结果，并提出一种可信度度量方法，用于选择高置信度示例及解决单一源情况下的领域适应问题。

    Feb, 2017

  • 安全的迁移学习：挑战和未来方向

    通过综述现有的研究进展，本文讨论了在安全领域中应用迁移学习技术存在的研究空白以及潜在的未来研究方向和迁移学习辅助安全解决方案中出现的问题。

    Mar, 2024

  • 最优传输理论分析的领域自适应

    本文在探讨域自适应的过程中，提出了一种使用 Wasserstein 度量作为两个数据集分布差异度量的方法，并且通过对多个不同的学习场景的实验证明了这种方法的通用性，同时进一步探讨了这种方法可能比其他现有框架更紧密的原因。

    Oct, 2016

  • 领域自适应迁移学习的专家模型

    本文研究了传递学习的有效性，并发现原先认为的更多的预训练数据不一定就能提高模型性能，而是需要审慎选择预训练数据。同时，作者提出了基于目标数据集计算重要性权重的领域自适应传递学习方法，并在多个细粒度分类数据集上取得了最先进的结果。

    Nov, 2018

  • 无监督域适应中 DIRT-T 方法的应用

    通过集群假设的视角，该研究提出了两个新的模型：结合领域对抗训练和对集群假设违反的惩罚的虚拟敌对领域自适应（VADA）模型以及采用自然梯度步骤进一步减小集群假设违反的 Decision-boundary 迭代细化训练与教师（DIRT-T）模型。广泛的实证结果表明，这两个模型的组合大大提高了数字，交通标志和 Wi-Fi 识别领域自适应基准的最新性能。

    Feb, 2018

  • 视觉域适应的可转移对比学习

    本文提出了一种自我监督学习方法，即可转移对比学习（TCL），其将 SSL 和所需的跨域可转移性紧密地联系起来，并通过特定的内存库和伪标签战略对源和目标之间的跨域内部类域差异进行惩罚

    Dec, 2021