AAAIFeb, 2020

基于判别流形嵌入和对齐的无监督领域自适应

PDF
TL;DR该论文提出了一种使用 Riemannian 流形学习框架实现无监督域自适应的方法，通过软标签建立目标域上的概率判别准则，并将其扩展为全局逼近方案，利用流形度量对齐与嵌入空间兼容，同时导出理论误差界限，实现转移性和区分性的一致性，实验结果表明所提出的流形学习框架具有优越性。
unsupervised domain adaptationdeep learningmanifold learningtransferabilitydiscriminability
发现论文，激发创造
  • 判别式流形传播的无监督域适应

    提出了一种基于黎曼流形学习的概率判别标准，用于使用软标签在目标域上实现可转移性和可区分性，该方法可以处理许多不同的领域自适应问题，并通过大量实验展示出优越性。

    Aug, 2020

  • 通过类中心匹配和局部流形自学实现领域自适应

    本文提出了一种新颖的领域自适应方法，通过聚类和伪标签匹配等技术，对减少两个领域之间的分布差异，实现了在无监督和有监督领域自适应方面的显着优势。

    Mar, 2020

  • 面向几何感知的领域自适应方法用于词嵌入无监督对齐

    提出了一种基于流形的几何学方法，用于学习源语言和目标语言之间的无监督对齐单词嵌入。该方法将对齐学习问题进行了公式化，并将其视为具有两倍随机矩阵的流形上的域自适应问题。实验表明，该方法在多种语言对的双语词汇识别任务上优于现有的最优传输方法，尤其对于远程语言对的性能改进更为显著。

    Apr, 2020

  • 基于流形嵌入分布对齐的视觉领域自适应

    该论文提出了一种 Manifold Embedded Distribution Alignment (MEDA) 方法，它在 Grassmann 流型空间中通过结构风险最小化学习一个领域不变的分类器，同时进行动态分布对齐以定量评估边际和条件分布的相对重要性。该方法在视觉领域适应任务中显著提高了分类精度，是首个尝试用于流形领域适应的动态分布对齐的方法。

    Jul, 2018

  • 任务判别的领域对齐方法用于无监督领域自适应

    本文提出了一种深度域自适应框架，采用鉴别偏差度量，并结合任务驱动域对齐鉴别器和域正则化器，以改进无监督域适应的性能，并在多项标准基准测试中证明了其优于现有技术的一致性。

    Sep, 2019

  • 基于流形度量学习的领域自适应统一框架

    通过利用统计流形的曲率黎曼几何，我们提出了一种新的域自适应框架，该框架可以整合标记源域和未标记目标域之间的几何和统计差异，从而实现源到目标的转移。

    Apr, 2018

  • 基于流型的自学习方法，用于无监督领域自适应中的 6D 物体姿态回归

    本文通过在目标空间的离散化锚点类别的粗分类的全局特征对齐和局部细化来弥合合成数据和实际数据之间视觉回归（例如六维姿态估计）中的领域差距，使其对领域不变表示学习施加了分段目标流形正则化。此外，本方法还将统一的隐式神经函数学习应用于估计目标相对方向和距离的回归任务中，以改善目标分类预测，实验表明，在三个公开基准测试中，​​本文方法在相对于最先进的 UDA 6D 姿势估计方法表现出了卓越的性能。

    May, 2023

  • 利用黎曼度量进行领域适应的相关性对齐

    本文研究如何进行领域自适应，特别是无监督领域自适应。通过使用神经网络并对其隐藏层的特征进行约束，得到了一个利用该流形上的理论上合理测地线距离的损失函数，从而比以前的方法表现更好。

    May, 2017

  • 自我监督下的无监督领域自适应

    本文研究无监督领域自适应，提出了一种将源域和目标域之间的表示进行对齐的方法，从而使目标域数据的分类准确性更高。该方法利用自监督任务对两个域进行训练并成功地泛化到目标域。在实验中，我们获得了四个标准基准测试中的最先进结果，并在分割适应性方面取得了有竞争力的结果。

    Sep, 2019

  • 面向神经机器翻译的无监督领域自适应与领域感知特征嵌入

    提出一种通过使用语言建模来学习领域感知特征嵌入，在多个实验中提高神经机器翻译性能的方法，该方法允许使用者指定特定领域的文本表示。

    Aug, 2019