Dec, 2019

多功能域自适应的最小类混淆

HTML
PDF
TL;DR本研究提出了一种通用的归纳偏见，即最小类混淆(MCC)方法，该方法不仅易于收敛，而且可以有效地处理多个不同的领域适应(DA)方案，特别是在Partial-Set和Multi-Target DA两个难度较高的数据集上表现优异。
发现论文，激发创造
  • 回顾标签：一种基于类别的领域自适应技术

    针对多类分类问题的领域适应问题，我们提出了一种基于对抗鉴别器的方法，并采用了有关分类结构的信息，得到了在基准数据集上的最优结果。

    Apr, 2019

  • 领域自适应中理论和算法的桥梁

    本研究从理论和算法角度探讨了无监督域自适应的问题，并引入了一种名为Margin Disparity Discrepancy的新测量方法，成功地将该理论转化为一种对抗学习算法，极大地提高了域自适应的状态。

    Apr, 2019

  • 意识到类关系的对抗域自适应

    本文提出了一种新的关系感知对抗域自适应（RADA）算法，通过使用一个单一的多类域鉴别器，强制进行领域对抗训练的同时学习 inter-class 依赖关系结构，并将此结构与从源域的标签预测器中表征出的 inter-class 依赖关系对齐，证明了该方法在改善基准数据集性能方面显著提高了类关系的应用。

    May, 2019

  • 通过对抗元适应网络进行混合目标领域适应

    本文提供了一种新颖的混合目标域自适应情景下的解决方案，称之为AMEAN，其中使用了两种对抗学习方法，以克服BTDA中的负转移效应和隐式类别缺陷，并取得了良好的性能。

    Jul, 2019

  • 对抗学习损失用于领域自适应

    该论文提出了一种名为ALDA的新颖领域自适应方法，利用伪标签方法和混淆矩阵相结合，实现特征分布的对齐和目标特征的强分类，并将学习到的混淆矩阵构建为新的损失函数。在四个标准领域适应数据集上较其他已知方法表现更优。

    Jan, 2020

  • 无监督多类域自适应：理论、算法和实践

    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

  • 基于平衡和不确定性感知的部分域自适应方法

    本研究提出了一种用于解决源域与目标域类别不完全相同情况下的无监督域适应问题的方法BA$^3$US，通过两种新技术BAA和AUS来平衡类分布并抑制不确定性的传播，在多个基准测试中，实验结果表明BA$^3$US优于现有方法。

    Mar, 2020

  • 通用源自由域自适应

    该研究提出了一种新的两阶段学习过程，以实现无监督域适应并实现源自由部署。在采购阶段，通过利用现有的源数据，在新颖的生成分类器框架中增强了模型拒绝源外分布样本的能力；在部署阶段，通过使用命名为源相似度度量的新型实例级加权机制，提出了一个简单而有效的源自由自适应目标，以设计一个统一的自适应算法，该算法可在各种范畴差异下运作，并实现了卓越的域适应性能。

    Apr, 2020

  • 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

  • 通过不确定性建模学习域自适应的无偏可迁移性

    研究了领域自适应中的可转移性估计问题，并提出了一种非侵入式的无偏转移估计插件（UTEP）来优化无偏传递。通过估计到达数据的不确定性来对目标领域中未标记样本的伪标签进行选择，以帮助实现域之间更好的分布对齐。在广泛的DA基准数据集上的实验证明，所提出的方法可以轻松地并入各种基于对抗的DA方法，并实现了最先进的性能。

    Jun, 2022