论文利用结构因果模型来分析和比较了领域适应方法的预测性能,提出了一种新的 CIRM 方法,并提供了可复现的综合实验来说明该理论的假设在实践中的优势和不足。
Oct, 2020
本文提出一种新的基于监督学习的域适应技术,利用最优传输方法和嵌入相似性技术,从少量样本中搜索最优类别相关转换,并在推理中选择相应的转换,能够减小领域差异,并在多个包括模拟和手写数据集的领域漂移时间序列数据集上进行了广泛的评估。
Apr, 2022
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
本文介绍了多源域适应的概念和相关技术方法,探讨了其在深度学习时代的发展趋势和研究方向,为该领域的研究提供借鉴和参考。
Feb, 2020
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
本文提出了一种实用的解决方案, Transporting Causal Mechanisms (TCM) ,通过使用无监督发现的领域不变分离的因果机制来识别混淆层和表示,从而解决了无监督域适应中的语义丢失问题,并在三个具有挑战性的 UDA 基准测试中取得了最先进的性能。
Jul, 2021
本文提出了一种名为 DDA(动态分布适应)的新概念,可以对每个分布的相对重要性进行定量评估并解决传输学习问题,进而提出两种新的学习算法 MDDA 和 DDAN,得到了显著改善传输学习性能的结果。
Sep, 2019
该论文提出一种基于元学习的框架来进一步增强现有领域适应算法的性能,通过在线的最短路径元学习框架改进了无监督和半监督多源领域适应技术 (DANN,MCD 和 MME),实验表明达到了多项 DA 基准的最佳效果。
该论文综述了迁移学习中的一个具有代表性的子领域 —— 领域自适应,介绍了基于不同统计学习框架的学习界限等方面的理论研究现状。
在深度学习时代,由于很难获得大规模标记数据来训练先进的深度神经网络,因此将已学习的知识从有标签的源领域转移到无标签或稀疏标签的目标领域成为一种吸引人的替代方法,而多源领域适应则是在收集有不同分布的多个源的标记数据中的一个强大而实用的扩展。在本次调查中,我们首先定义了各种多源领域适应策略。接着,我们从不同的角度系统地总结和比较了现代多源领域适应方法,以及常用的数据集和一个简单的基准测试结果。最后,我们讨论了值得探索的多源领域适应的未来研究方向。
May, 2024