ICCVApr, 2019

通过极小化最大熵进行半监督域自适应

PDF
TL;DR提出了一种基于 Minimax Entropy 的半监督域自适应方法，在有限的标记信息下，与其他基线方法相比，提高了无标记目标数据分类的准确性。
domain adaptationsemi-supervised learningfew-shot learningminimax entropyfeature alignment
发现论文，激发创造
  • ADVENT: 基于对抗性熵最小化的语义分割领域自适应

    本文提出了两种基于像素预测熵的损失函数的方法来解决语义分割中的无监督域适应问题，分别采用熵损失和对抗性损失。在两个具有挑战性的 “synthetic-2-real” 场景下，我们证明了该方法在语义分割方面具有最先进的性能，并且该方法也可以用于检测。

    Nov, 2018

  • 基于对比学习和极小极大熵的图上半监督领域适应

    通过对比图的局部和全局视图所学习的表示，SemiGCL 生成信息丰富的节点表示，并通过对未标记目标节点的熵损失进行对抗优化，以减少领域差异，特别适用于图上的 SDDA 任务。

    Sep, 2023

  • 在线元学习的多源和半监督领域适应

    该论文提出一种基于元学习的框架来进一步增强现有领域适应算法的性能，通过在线的最短路径元学习框架改进了无监督和半监督多源领域适应技术 (DANN，MCD 和 MME)，实验表明达到了多项 DA 基准的最佳效果。

    Apr, 2020

  • 基于极小极大熵的领域自适应方法用于天文警报的真伪分类

    该研究在时域天文学中使用多个大规模数据集实时进行分析，开发了多源流的机器学习模型。研究者通过研究 HiTS、DES、ATLAS 和 ZTF 等四个不同数据集之间的领域转换，通过精细调整和半监督深度领域自适应的 Minimax Entropy (MME) 方法改进了一种纯粹深度学习分类模型的性能。通过对不同源目标场景的模型进行平衡准确性比较，发现即便仅使用目标数据集中每类一个标记样本，精细调整和 MME 模型都能显著提高基础模型的性能，而 MME 模型不会影响源数据集上的性能。

    Aug, 2023

  • 无监督深度域自适应的最小熵相关对齐

    采用深度学习方法实现无监督域自适应，通过研究源域和目标域之间的二阶矩对齐可以最小化熵，提出了一种比欧几里得方法更有原则性的策略，利用源到目标的正则化器以无监督和数据驱动的方式量化，并在标准性的域适应基准测试中证实了该框架的优势。

    Nov, 2017

  • 最大平方误差的域自适应语义分割

    本论文提出了一种基于最大平方损失的半监督无监督域自适应方法，并引入图像加权比来缓解目标域无标签数据集中的类别不平衡问题，该方法在合成到真实以及跨城市自适应实验中均取得了很好的性能。

    Sep, 2019

  • Meta-Tsallis - 熵最小化：一种新的自训练方法用于文本分类领域自适应

    文本分类是自然语言处理的基础任务之一，本文提出了一种基于元学习算法的元 - Tsallis 熵最小化方法（MTEM），用于在目标领域上优化实例适应性 Tsallis 熵，以实现领域适应。实验结果表明，MTEM 在基准数据集上提升了 BERT 的适应性性能，平均提升 4%。

    Aug, 2023

  • 吸引、干扰与探索：学习特征对齐网络进行半监督域自适应

    该论文提出了一种半监督领域自适应框架（SSDA），主要通过三个方案（吸引、扰动和探索）来解决目标域中的域内差异问题，进而实现特征对齐。在多个数据集上的实验表明，该方法优于其他方法。

    Jul, 2020

  • 源标签适应的半监督域自适应

    该论文提出了一种基于源自适应范式的 SSDA 模型，通过清除源标签中的噪声来动态地处理标签噪声，并在基准数据集上比现有方法表现更出色。

    Feb, 2023

  • 跨域混合增强的半监督域适应

    这篇论文介绍了一种新的半监督领域适应方法，称为具有领域内混合和邻域扩展的跨域集成，以解决标签空间中的标签不匹配问题，并通过利用邻域扩展进一步提高自适应模型的性能。

    Jan, 2024