Mar, 2019

标签偏移下的领域自适应正则化学习

HTML
PDF
TL;DR提出了一种基于正则化的学习算法 Regularized Learning under Label shifts(RLLS)，该算法能够校正源域和目标域之间标签分布的转移，通过估计带权重的源目标数据并训练分类器，并以此推导出分类器在目标域的泛化边界，提出了一种小样本区间和大转移区间下考虑权重估计的正则估计器，实验证明，相比现有方法，RLLS能够提高分类准确率，特别是在低样本和大转移区间。
发现论文，激发创造
  • 最优领域自适应的广义Neyman-Pearson标准

    探讨了领域自适应中的二元分类问题，提出了一种新的 Neyman-Pearson 类似标准，并研究了一类广义的领域自适应问题，建立了在目标域中的最优分类结果，即使没有访问该域的标记数据。

    Oct, 2018

  • 开放集领域适应：理论界限与算法

    本文提供了第一篇研究开放领域自适应的学习界限，并提出了一种基于分布对齐的新型无监督算法，该算法旨在正则化开放集差异界限，实验证明所提出的 UOSDA 方法优于现有文献中的最新方法。

    Jul, 2019

  • 通过校准不确定性进行无监督领域自适应

    本文提出了一种基于源域推广到目标域的无监督领域适应方法，该方法通过校准源域和目标域的预测不确定性（以Renyi熵度量）来实现，使用变分贝叶斯学习可靠的不确定性估计，并讨论了其理论性质并在实验中验证了其有效性。

    Jul, 2019

  • 有条件分布匹配和广义标签偏移的领域自适应

    本文提出了广义标签偏移（$GLS$）的假设来提高对不匹配标签分布的鲁棒性，在此基础上，提供了任何分类器的转移性能的理论保证，并且设计了估算相对类权重以及适当的样本重新加权的必要和充分条件。我们修改三个现有的域自适应(DA) 算法（JAN，DANN和CDAN），评估它们在标准和人工DA任务上的性能，并且实验结果表明，在存在大的标签分布不匹配的情况下，我们算法的性能表现得到了显著的提高。

    Mar, 2020

  • 辅助目标领域分类器的域自适应

    该研究提出一种名为Auxiliary Target Domain-Oriented Classifier (ATDOC)的模型，旨在解决在无监督域适应中伪标签分布偏移和分类器偏置的问题。该模型基于最近邻居和内存机制，在多种领域适应基准和半监督任务上显着优于领域对齐技术和先前的半监督技术。

    Jul, 2020

  • 子群移位下的标签传播理论

    本研究提出了一种基于标签传播的领域自适应框架，利用源域上的教师分类器将信息传递到目标域，并通过扩展假设和利用现有的泛化上界，以满足整个算法的有限样本保证。 通过采用一致性半监督学习方法，我们在领域适应设置中获得了显着的改进。

    Feb, 2021

  • 变分贝叶斯推理下的条件和标签偏移下的域通用化

    本文提出了一种领域泛化（DG）方法来学习多个标记源域并将知识转移至在训练中不可访问的目标领域，使用变分贝叶斯推断框架来强制进行条件分布对齐，并在考虑后验分布对齐的同时考虑与 $p（y）$ 相关的边际标签偏移，从而在各个基准测试上实现了优越的表现。

    Jul, 2021

  • 可分解共变移位的域自适应

    该论文提出了一个新的处理从共变量和标签中引入偏差的方法（Factorizable Joint Shift, FJS），并提出了一种新的联合重要性对齐（Joint Importance Aligning, JIA）的方法来获得用于监督和无监督领域适应的联合重要性估计器及其训练数据的加权。

    Mar, 2022

  • 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

  • ELSA: 通过半参数模型视角实现有效标签偏移适应

    本文探讨如何解决标签偏移的域自适应问题，提出了基于影响函数几何的时刻匹配框架，讨论了一种名为ELSA的解决方案，并通过大量实验证明该方法在无需繁琐的后验校准的情况下，能达到与最先进方法一样的性能并获得计算效率的提升。

    May, 2023