领域自适应中理论和算法的桥梁
本文提出了新的域自适应算法,优于以前的差异最小化算法,不像以前的算法那样在训练样本上具有固定的损失权重重新加权,我们的算法有坚实的理论基础和更有利的学习界限,并提供了一种有效的解决其优化问题的方法,实验结果表明该算法优于差异最小化。
May, 2014
本文介绍了一种针对域自适应问题的新型分布距离度量 —— 偏差距离,并给出了不同损失函数的估计方法以及普遍推广界限。同时,本文也探讨了偏差距离减少和多种损失函数的最小化算法,并验证了其在不同应用场景的有效性。
Feb, 2009
本文提出了一种新的通用领域敌对框架,利用变分 f - 分歧的特征进行领域自适应。基于此框架,推导出了具有重要修正的新算法框架,并证明了其在自然语言和计算机视觉数据集上优于现有的基线结果。
Jun, 2021
本文介绍了一种基于 MCSD 的多类域间自适应的学习方法 (Multi-class Domain-adversarial learning Networks (McDalNets)), 通过使用数据相关的 PAC 常数,研究了其有效性,并引入了结合了领域混淆和歧视的新型敌对策略的域对称网络(SymmNets)来提高多类域间自适应性能。
Feb, 2020
本文研究了领域自适应中的输入表示对齐问题,提出了一种基于最小化源域和目标域表示分布之间的反向 Kullback-Leibler 差距的方法,利用概率表示网络实现了高效稳定的对齐方法,实验结果表明其优于其他对齐方法。
Jun, 2021
论文旨在设计主动学习策略,实现基于 Lipschitz 函数假设的领域自适应。通过对 Mansour 等人(2009)的先前工作进行补充,我们将源和目标分布之间的差异距离概念适应于假设类的最大化,来局限于在源域上执行准确标记的函数类。我们针对满足正则条件的一般损失函数导出了这种主动学习策略的推广误差边界,用于兰德马赫平均值和局部差异度量。从理论边界中推导出实用的 K-medoids 算法,可以处理大数据集的情况。我们的数值实验表明,在领域自适应的情况下,特别是在约十万个图像的大数据集上,所提出的算法与其他最先进的主动学习技术具有竞争力。
Mar, 2021
本文分析了用于解决域适应问题的特征学习算法,并提出了一种新的极其简单的特征学习算法,用于域适应,并扩展了该算法以利用多层,从而导致深度线性模型。实验结果展示了这些算法的有效性。
Sep, 2015
本文提出了一种非对称松弛分布对齐的方法来解决领域适应中标签分布偏移问题,并找到了合理的理论假设条件来支撑该方法,证明了该方法在合成和真实数据集上的实际效果。
Mar, 2019