领域对称网络用于对抗性领域自适应
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
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
该论文提出了一种名为跨域自适应聚类的新方法,使用敌对训练产生自适应聚类损失,将未标记目标数据的特征分组到聚类中,并在源域和目标域之间进行聚类特征对齐。使用伪标签扩展了目标域中每个类的标记样本的数量,并产生了更强大的聚类核心,从而实现了半监督领域自适应的最佳表现。
Apr, 2021
本研究提出一种针对无监督领域自适应的不对称三方训练方法,该方法利用神经网络对未标记的样本进行伪标记并训练网络来提高准确性。研究结果表明,该方法在数字识别和情感分析数据集上取得了最先进的性能。
Feb, 2017
本研究提出了一种对称映射的生成对抗网络用于不同领域的图像之间进行双向的图像变换,并结合目标自我标记和新的一致性分类损失来优化生成器的输出,实验表明该方法能超越前人在四个基准数据集中无监督领域适应方面的最新研究进展。
May, 2017
该论文提出了一种名为 Deep Transfer Network 的领域适应框架,其中高度灵活的深度神经网络用于实现分布匹配过程,在分类准确性和执行时间等方面取得了显著的改进。
Mar, 2015
本文提出了一种基于深度神经网络的非监督领域自适应技术,该技术通过训练既能执行音素分类,又能执行领域分类的 DNN 模型,并明确建模两个域之间的不同之处,可以在 CHiME-3 数据集上实现接近 11.08%的相对词错误率(WER)降低。
Nov, 2017
该研究使用对抗神经网络进行无监督的领域自适应来训练一种分割方法,此方法更加稳健,并且不需要对测试领域进行任何注释,该系统在对两种头部 CT 数据进行测试时,得到的分割精度非常接近于有监督领域自适应的上限。
Dec, 2016
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