Mar, 2019

RecSys-DAN: 用于跨领域推荐系统的判别式对抗网络

PDF
TL;DR提出了一种新颖的方法 RecSys-DAN，通过表示学习、对抗学习和转移学习（特别是域适应）来减轻交叉领域和领域内数据的稀疏性和不平衡性，并学习用户、项目及其交互的可传输潜在表示。该方法通过对抗损失进行最小最大博弈来学习目标域中的映射函数，旨在生成具有域不可区分性的表示形式。在真实的亚马逊数据上的实验结果表明，即使不使用目标域中的标记数据（即评分），RecSys-DAN 与最先进的监督方法相比具有竞争力。
cross-domain recommender systemsdata sparsitydata imbalancerepresentation learningdomain adaptation
发现论文，激发创造
  • 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

  • 领域对抗神经网络

    本研究提出了一种针对领域自适应问题的新型表示学习算法，其中训练和测试数据来自类似但不同的分布，实验结果表明，我们的神经网络算法对领域适应具有更好的性能表现，而不管是标准神经网络还是支持向量机，即使是使用 Chen 等人提出的最先进的边缘化堆栈去噪自编码器的输入特征提取。

    Dec, 2014

  • 条件对抗领域自适应

    该研究提出了条件对抗域适应的方法，通过两种新的调节策略，Multilinear 调节和 Entropy 调节，实现对不同领域的分类问题的对抗对齐，超过了五个数据集上的最新成果。

    May, 2017

  • 神经网络的领域对抗性训练

    本文提出了一种新的领域适应的表示学习方法，使用神经网络架构从源域的有标签数据和目标域的无标签数据中推断出训练的特征，该方法增加了标准层和一个新的反向梯度层，可以在文本情感分析、图像分类以及人员重新识别等任务中有效实现领域适应。

    May, 2015

  • DRANet：无监督交叉域自适应的表征解耦和适应网络

    该研究提出了 DRANet, 一种网络结构，用于无监督跨域适应，通过在潜在空间中区分图像表示并转移视觉属性。实验显示，该方法成功地分离内容 - 风格因素并合成视觉上令人愉悦的领域转移图像，并在标准数字分类任务和语义分割任务上展示了先进的性能。

    Mar, 2021

  • 最大化域独立性表示改进迁移学习

    本文介绍了一种新的方法，将敌对模型与变分自编码器相结合，利用领域无关表示和领域相关表示以及对后者进行大小惩罚的机制来进行跨领域学习，并在多个图像数据集上展示了它对于预训练模型的优越性。

    Jun, 2023

  • 判别式对抗领域自适应

    提出了一种基于判别式对抗领域适应 (DADA) 的新型对抗学习方法，其鼓励在输入实例的任何情况下，类别和域预测之间存在相互抑制关系，以解决现有方法中任务和域分类器相互独立导致的收敛问题，该方法能够在实际条件下定义一个最小极值博弈，促进联合分布对齐。除传统的闭集领域适应以外，还将 DADA 扩展到部分和开放集领域适应的极具挑战性的问题设置中，在基准数据集上实验表明了该方法的有效性并达到了三个场景下的最新成果。

    Nov, 2019

  • 对抗式判别领域自适应

    本文介绍了对抗学习的方法能够通过一般化的视角更好地理解前面的方法，并提出了一个新的对抗判别域自适应框架，称为 ADDA，它将判别建模、解除权重共享和 GAN 损失结合在一起，优于竞争的域对抗方法，且在标准的跨域数字分类任务和一种新的更难的跨模态物体分类任务中超越了最新的无监督适应结果。

    Feb, 2017

  • 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

  • DARec：跨领域推荐的深度领域自适应方法，基于转移评分模式

    本研究提出了一种深度域适应模型（DARec），该模型能够仅依靠评分矩阵的模式提取和转移知识，从而在多个不同领域的推荐任务中实现最佳性能表现。

    May, 2019