提出一种名为CORal的简单且高效的无监督域自适应方法,通过对齐源域和目标域的二阶统计量来最小化域漂移,可在标准基准数据集上表现出色。
Nov, 2015
本文提出了一种针对具有一个源域和多个目标域的无监督域适应场景(1SmT)的模型参数自适应转移的无监督域适应框架(PA-1SmT),该框架通过学习一个共同的模型参数词典进行知识转移,并在三个领域适应基准数据集上实验验证了其优越性。
Sep, 2018
本研究提出了一种信息理论方法来处理具有多个相似目标领域的无监督域适应问题,通过寻找一个共同的潜在空间,同时利用信息理论方法实现共享和私有信息的分离,并利用高效的优化算法完成从单一源到多个目标领域的自适应过程。
Oct, 2018
本文提出了一种名为Noisy UniDA的现实情况下的通用域适应解决方案,它使用卷积神经网络框架来检测源域中带有噪声的样本,查找目标域中的未知类别,并实现源域和目标域的分布对齐。在不同的领域适应设置的广泛评估中,所提出的方法在大多数设置中都比现有方法表现优异。
Apr, 2021
该研究提出了一种算法,可以在没有源数据和目标标签的情况下,自动结合适当的权重来组合源模型,以获得与最佳源模型同样好的性能,这为无监督领域自适应提供了实用性的解决方案。
本文提出一种基于知识引导的无监督领域自适应(KUDA)方法,通过利用目标域的先验知识,将该先验知识应用于模型生成伪标签的改进中,从而提高自训练阶段的性能。
Jul, 2022
深度学习在许多领域都展现出其超凡表现,但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现,无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题,并已在自然图像处理、自然语言处理等领域取得了许多令人期待的结果,该文对该领域的方法和应用进行了系统比较,并强调了当前方法的不足及未来研究方向。
Aug, 2022
通过提出不变的一致性学习 (ICON) 方法,本研究在领域自适应和无监督领域适应方面取得了最先进的性能,并在具有挑战性的 WILDS 2.0 基准测试上优于传统方法。
Sep, 2023
针对无监督域自适应问题中由领域间标签偏移引起的复杂条件下的普遍方法,我们全面研究了四种不同的无监督域自适应设置,包括闭集域自适应、部分域自适应、开放集域自适应和通用域自适应,其中来源域和目标域之间存在共同类别和特定类别。基于共同类别的实例概率,我们提出了一种名为无监督域自适应学习实例加权(LIWUDA)的新方法,通过构建加权网络、设计权重最优传输(WOT)和小批量实例的分隔与对齐(SA)丢失来解决这些挑战。通过实验评估,验证了提出的LIWUDA方法的有效性。
Dec, 2023
无监督领域适应的研究中,通过使用预训练网络进行多阶段伪标签优化程序,解决了无标签目标数据中的类别错位问题,证明了该简单方法在多个数据集上比复杂的最先进技术更有效。
Feb, 2024