MMAug, 2019

软传递网络实现异构领域适应

PDF
TL;DR本文提出了一种软传输网络（STN）来解决异构域适应问题，它可以联合学习一个领域共享的分类器和一个领域不变的子空间，并通过软标签策略匹配跨域的边缘和条件分布，进而避免负转移的问题。实验结果表明，该方法在图像到图像、文本到图像和文本到文本的转移任务中显著优于几种前沿方法。
heterogeneous domain adaptationsoft transfer networkdomain-shared classifierdomain-invariant subspacesoft-label strategy
发现论文，激发创造
  • 深度转移网络：无监督域自适应

    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

  • 基于对抗神经表示学习的异构域自适应：以电子商务和网络安全为例的实验

    该研究提出了一种新的框架 Heterogeneous Adversarial Neural Domain Adaptation (HANDA)，专门针对异构环境下的域自适应问题，通过统一的神经网络架构实现特征和分布的对齐以及域不变性，并在主要的图像和文本电子商务基准测试中表现出统计显著的预测性能提高。

    May, 2022

  • 异构领域自适应的同时语义对齐网络

    本文提出了一种同时利用语义相似性和目标伪标签的异构域适应模型（SSAN），通过隐式语义相关损失和几何相似性参与的伪标签精化过程，在不同数据类型的异构域上实现有效的特征对齐和类别中心对齐，Excel 在各种异构域适应任务中。

    Aug, 2020

  • 针对部分领域适应的样例迁移学习

    本文通过提出 Example Transfer Network（ETN）的方法，使得源域与目标域的表示更具有代表性而形成一种权衡，从而在部分领域适应任务中取得最新的成果。

    Mar, 2019

  • 自适应域网络

    提出了一种自适应网络方法，通过使用自适应器、任务模型和自编码器来解决深度网络在临床实践中的领域转移问题，本方法证明在使用单个测试对象和自适应的短时间内取得了显著改进，验证了方法的可行性并得到了广泛应用

    Jul, 2020

  • 图像生成器的少样本混合域适应

    通过引入新的任务 —— 少样本混合领域适应（HDA），本研究在给定源生成器和多个目标领域的情况下，提出了一种方向子空间损失的判别器无关框架，以获取保留所有目标领域综合属性的适应生成器，并保留源领域的特征。实验证明，该方法可以在单个适应生成器中获得许多领域特定属性，超过了基准方法在语义相似度、图像保真度和跨领域一致性方面的表现。

    Oct, 2023

  • 物联网入侵检测的联合语义传输网络

    本文提出了一种联合语义转移网络用于大规模稀疏标记的物联网领域中的有效入侵检测，其中 JSTN 将知识丰富的网络入侵和另一个小规模 IoT 入侵作为源域，并保留内在语义属性以协助目标 II 域入侵检测。

    Oct, 2022

  • 增强特征学习用于异构域适配

    本文提出了一种新的异构领域适应 (HDA) 学习方法，使用两个不同的投影矩阵将两个域的数据转换为公共子空间，并提出两个新的特征映射函数将转换后的数据与原始特征和零进行增强。使用 SVM 等现有学习方法，本方法称为异构特征增强 (HFA) 可以有效地利用来自两个域的数据进行 HDA 并比现有方法表现更好。同时，文章还设计了交替优化算法来解决 HFA 中的非平凡优化问题。

    Jun, 2012

  • 联合适应网络的深度迁移学习

    本研究介绍了一种叫做 JAN 的联合适应网络，它通过最大均值偏差准则（JMMD）对多个特定领域层次的联合分布进行对齐，实现从源领域到目标领域的迁移学习，实验表明我们的模型在标准数据集上提供了最先进的结果。

    May, 2016

  • 动态对抗适应网络的迁移学习

    该论文提出了一种新的动态对抗自适应网络（DAAN），旨在在量化评估全局和本地域分布的相对重要性的同时，动态学习域不变表示。DAAN 是首次尝试对深层对抗学习进行动态自适应分布的实践。该方法在真实应用中易于实现和训练，并取得了比现有方法更好的分类准确性，结果表明对抗迁移学习中动态分布自适应的必要性和有效性。

    Sep, 2019