基于图模型的领域适应问题推断

Feb, 2020

Domain Adaptation as a Problem of Inference on Graphical Models

Kun Zhang, Mingming Gong, Petar Stojanov, Biwei Huang, Qingsong Liu...

TL;DR本文基于数据驱动的无监督域适应，提出使用图形模型作为联合分布变化特征的紧凑表示，并将域适应视为贝叶斯推理问题，区分分布的常变模块并指定跨域之间的变化属性，进而为推导目标变量 $Y$ 的后验分布提供先验知识，该框架证明适用于合成和真实数据的实验结果。

Abstract

This paper is concerned with data-driven unsupervised domain adaptation, where it is unknown in advance how the joint distribution changes across domains, i.e., what factors or modules of the data distribution remain invariant or change across domains. To develop an automated way of do

unsupervised domain adaptation graphical model bayesian inference constant and varied modules causality-based domain adaptation

发现论文，激发创造

利用因果推断预测不变条件分布进行域适应

研究通过因果推论来解决领域适应问题，并提出了一种不依赖先前的因果结构和干预目标的方法，该方法可实现对目标变量在多个领域中的分布进行预测。

Jul, 2017

AdaGraph: 通过图像统一预测和持续领域自适应

本文研究领域适应和泛化中的预测领域适应的问题，提出了一种能够通过图形利用辅助域中信息的深度学习架构，同时提出了一种简单有效的策略，能够在测试时利用流入的目标数据进行连续的领域适应，并在三个基准数据库上进行了实验证明了我们方法的价值。

Mar, 2019

领域印象：一种无需源数据的领域自适应方法

该论文提出了一种无需源数据的领域自适应技术，其基于生成式框架，使用来自源类的分类器生成样本，并使用神经能量网络训练联合分布，在此极为新颖的场景中取得了比基准模型更好的结果。

Feb, 2021

高效推断的动态领域自适应

本文提出了一种动态域自适应框架（DDA），该框架可以在低资源情况下实现高效的目标推理，并继承域适应所带来的有利泛化能力，同时应用领域混淆约束来提高适应性能。

Mar, 2021

双向生成无监督域适应

本研究提出了双向生成领域自适应模型，通过一致分类器插值两个中间域来平衡减轻域差异和保留内在结构，使用跨领域对齐约束来进一步增强性能，设计了两个分类器，联合优化以最大化目标样本预测的一致性。广泛的实验证明，我们提出的模型在标准跨域视觉基准上优于现有技术。

Feb, 2020

因果生成领域自适应网络

本文提出了一种灵活的生成领域自适应网络 (G-DAN) 和因果生成领域自适应网络 (CG-DAN)，旨在通过建模特征的生成过程和使用低维潜在变量，学习和处理源域和目标域之间的分布变化，进而实现跨领域数据生成和预测。实验结果表明，这两种方法在合成和真实数据实验中都能有效地适应不同的领域。

Apr, 2018

图领域适应：挑战、进展与前景

图领域适应（Graph Domain Adaptation）是一种有效的跨图知识转移范式，该论文详细调查了图领域适应的研究现状、挑战、代表性工作以及展望，并提供了第一份图领域适应调查报告。

Feb, 2024

域自适应的部分可识别性

本研究针对无标签信息的目标领域，依靠因果机制的最小变化特性来最小化分布偏移的影响，利用两个分区潜在子空间的潜在变量模型来约束域移，证明潜在变量是部分可识别的，提出一种实用的域适应框架 iMSDA，并在基准数据集上取得了优于现有算法的实验结果，证明了我们框架的有效性。

Jun, 2023

计算机视觉应用领域的适应性

本研究关注最近在计算机视觉领域的早期领域转移学习方法，强调借助标记数据从不同域进行域适应以在目标域中提高数据分类准确度。

Nov, 2012

图关系领域自适应

本文提出一种利用域图编码域相邻度的方法，将域统一 alignment 放松，以灵活的方式进行域对齐，并基于图结构推广现有的对抗学习框架，成功地将域信息自然地纳入域自适应方法，提高了现有域自适应方法在综合和真实数据集上的效果。

Feb, 2022