Mar, 2019

通过对抗性鉴别域泛化（ADDoG）改善跨语料库语音情感识别

PDF
TL;DR本文提出了基于 ADDoG 和 MADDoG 的自动演讲情感识别方法，采用迭代移动学习到的情感数据表示，提高跨数据集通用性，并在实验中取得了显著的成果。
automatic speech emotion recognitionadversarial discriminative domain generalizationmulticlass addogcross-dataset generalizationin-the-wild data
发现论文，激发创造
  • 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

  • 基于元学习的交叉领域验证的判别式对抗领域泛化

    本文提出基于元学习的 Discriminative Adversarial Domain Generalization（DADG）框架来改善机器学习模型的泛化能力，包括学习一般化的特征表示和分类器，在三个基准数据集的对比中，DADG 始终优于基线 DeepAll，并在大多数评估情况下优于其他现有的领域泛化算法。

    Nov, 2020

  • 情感导向的跨领域虚假新闻检测：基于对抗领域适应的方法

    本文提出一种情感导向的领域适应方法，并证明在跨领域的情况下，基于情感的模型对于不同数据集的组合具有有效性，用于错误新闻检测。

    Nov, 2022

  • 利用动态联合分布适应改进的说话人无关语音情感识别

    多说话人情感识别中，使用 Dynamic Joint Distribution Adaptation 方法解决来自不同说话人的多领域数据中的分布偏移问题，并在面对新说话人数据时获得更好的性能。

    Jan, 2024

  • 通用单域推广的模态不可知去偏差

    提出了一种适用于多种不同模态的深度神经网络的单一领域通用性（single-DG）算法，称之为 Modality-Agnostic Debiasing (MAD)，它采用一个新颖的双分支分类器，一支专注于识别特定领域的表层特征，另一个则利用来自前一支的知识来捕获领域通用（语义）特征，在多种领域通用任务中取得了极高的效果。

    Mar, 2023

  • 情感引导下的领域自适应假新闻检测方法：对抗学习

    本研究提出了一种情绪引导的、领域自适应的、多任务方法，用于各种数据集中的跨领域假新闻检测，证明了情感引导模型在跨领域设置中的有效性。

    Nov, 2022

  • 利用情感知识提高跨领域仇恨言论的泛化能力

    一项关于仇恨言论检测的研究，提出了一种基于情绪知识的多任务架构的方法，通过跨领域设置来改善仇恨言论检测的泛化能力，实验证明其在交叉领域评估中具有稳定的泛化改进和平均交叉领域性能提升。

    Nov, 2023

  • 多重对抗领域适应

    本文提出一种多重对抗领域自适应方法 (MADA)，能够捕获多模态结构，利用多个领域判别器实现不同数据分布的精细对齐，利用随机梯度下降计算梯度，证据表明该模型在标准领域自适应数据集上优于现有最先进方法。

    Sep, 2018

  • AD-Aligning: 深度学习中认知领域适应的模拟人类泛化能力

    用 Coral loss 和 standard loss 进行预训练，AD-Aligning 在对抗训练和源目标域对齐的基础上，通过保留鲁棒性并适应领域变化，将目标域统计与预训练编码器的统计相匹配，从而提高泛化能力。通过在不同数据集和领域变化场景（包括噪声诱导的变化和认知领域适应任务）上的大量实验证明，AD-Aligning 相比于 Deep Coral 和 ADDA 等现有方法具有卓越的性能。我们的研究结果突出了 AD-Aligning 模拟人类感知中的微妙认知过程的能力，使其成为适应性强和鲁棒的领域适应策略的有希望的解决方案，可应用于现实世界中需要适应性强的领域适应问题。

    May, 2024

  • 通过深度对抗互学习提高领域适应的情感分类

    通过深度对抗互学习方法，利用领域鉴别器、情感分类器、标签探针和标签鉴别器促进特征提取器学习来自源域和目标域的情感。实验结果表明，这种方法在多个公共数据集上实现了最先进的性能，证实了标签探针引导的互相学习的有效性。

    Feb, 2020