ECCVOct, 2019

类别不平衡的领域自适应：一次实证之旅

PDF
TL;DR本文提出了一个更接近实际情况的机器学习问题：“不同领域的特征分布不同，且标签分布不均衡，如何将它们对齐？” 并构建了第一个包括 22 个跨域任务的基准测试数据集，并使用 COAL 模型进行了广泛的实验，发现大部分最新的领域自适应方法在同时具有特征和标签分布变化方面非常脆弱。COAL 模型能够有效地实现特征和标签的对齐，对于该问题的未来研究能提供更好的基准测试数据集。
unsupervised domain adaptationclass-imbalanced domain adaptationfeature and label distribution co-alignmentbenchmarkingdeep models
发现论文，激发创造
  • 非对称松弛分布对齐的域自适应

    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

  • 非监督强化适应在类别不平衡文本分类中的应用

    本文提出了一种通过强化学习进行的无监督领域自适应方法，该方法联合利用了特征变体和跨领域的不平衡标签，实验表明这种方法可以成功地在不平衡的文本分类数据上适应文本分类器。

    May, 2022

  • 领域自适应的判别式主动学习

    本文提出了一种用于区域自适应的主动学习方法，通过使用三阶段的主动对抗训练神经网络（包括不变的特征空间学习阶段、不确定性和多样性准则及其折衷的查询策略，以及使用查询的目标标签重新训练阶段)，该方法可以减少数据标注的工作量，对四个基准数据集进行的实证比较表明了该方法的有效性。

    May, 2020

  • 无监督域自适应的共同正则化对齐

    本研究提出了一种多样化特征空间的共同约束域对齐方法，用于解决深度神经网络在不同数据分布下的泛化问题，并在多个领域适用。

    Nov, 2018

  • 仅 DIAL: 用于无监督领域适应的域对齐层

    本研究通过引入 DomaIn Alignment Layers 方法解决领域适应中的特征分布偏移问题，从而提高视觉识别系统在不同领域数据集上的成功率，并在三个公开基准测试中取得了成功的实验结果。

    Feb, 2017

  • 无监督领域自适应的隐式类条件域对齐

    我们提出了一种无监督领域适应方法，采用类条件域对齐的方法来解决领域内类别不平衡和领域间类别分布偏移的实际问题。我们提出了一种采样 - based 的隐式对齐方法，旨在减轻类别伪标签偏差问题。该方法通过移除对模型参数的伪标签显式优化，并使用伪标签隐式指导样本选择过程，以缓解领域对抗性学习中偏差的问题。理论分析表明在错误类别中存在一个域鉴别器快捷方式，该方法能够修复，并通过实验结果验证了其有效性，特别是在领域内类别不平衡和领域间类别分布偏移的情况下。

    Jun, 2020

  • 半监督领域自适应的跨域自适应聚类

    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

  • 基于蒸馏鉴别聚类的无监督领域自适应

    该研究提出了一种名为 DisClusterDA 的新方法，将无监督领域适应问题重新表述为目标数据的判别式聚类，使用基于熵最小化、软 Fisher 准则和质心分类的聚类目标自适应地过滤目标数据来蒸馏判别式源信息，同时结合并行的受监督学习目标来训练网络，经过对 5 个基准数据集进行的实验表明，DisClusterDA 在这些数据集上的表现优于现有的方法。

    Feb, 2023

  • 贝叶斯不确定性匹配在无监督域自适应中的应用

    通过对深度神经网络中的预测不确定性进行建模并通过约束标签的分布来匹配特征和标签分布，从而有效地减轻了源域和目标域数据之间的标签分布迁移，进而在三个常见的数据集上表现出优异的效果

    Jun, 2019

  • 利用本地特征模式进行无监督领域自适应

    本文介绍了一种方法，它通过学习领域不变的局部特征模式并联合对齐整体和局部特征统计量，从而进一步实现细粒度特征对齐，并在两个流行的基准数据集上将其与现有的无监督领域适应方法进行比较，证明了我们方法的优越性和对减轻负迁移的有效性。

    Nov, 2018