ICLRFeb, 2020

最大差异比赛：自适应比较分类器

PDF
TL;DR本文中，我们提出了一种新的方法，将大规模的无标签图像库分别与模型进行比较，运用最大差异性比赛方法，使用 WordNet hierarchy 作为分类器的距离度量标准，通过对人工标记的图像集的比较提高图像分类器的性能。
hierarchical representationsimage classificationmaximum discrepancy competitionwordnet hierarchyimagenet classifiers
发现论文，激发创造
  • MCDAL：用于主动学习的最大分类器差异性

    提出了一种新的主动学习框架 MCDAL，利用多个分类器的预测不一致性来进行样本采集，使用分类器不一致性作为主动学习采集函数，优于 GAN 等现有方法。

    Jul, 2021

  • 关于公平感知分类器的最大局部差异

    通过提出一种称为最大累积比不平等的新公平度量指标（MCDP）来衡量算法的最大局部不平等，提供比传统公平度量更准确和高效的计算方法，并通过不可导逼近的 MCDP 的优化算法提高算法公平度。在基于表格和图像的数据集上进行的广泛实验验证了我们的公平训练算法可以实现优越的公平性与准确性的权衡。

    Jun, 2024

  • 关于深度领域自适应的最小差别估计

    本文提出一种基于二阶统计量（协方差）和源目标数据最大均值差异的双流卷积神经网络的非监督式深度领域适应方法， 通过实验表明，该方法在三个基准领域适应数据集上均可实现最先进的图像分类性能。

    Jan, 2019

  • 最大分类器差异的无监督超出分布检测

    该研究提出了一种基于两头卷积神经网络和无监督训练的深度学习模型外部数据检测方法，可以对深度学习模型在商业应用场景中面临的性能退化问题进行有效解决。

    Aug, 2019

  • 无监督域自适应的最大分类器差异

    本文提出了一种无监督领域自适应的方法，利用任务特定的决策边界来解决源和目标域之间的分布问题，通过两个分类器输出的差异来检测远离源支持的目标样本，并通过生成器生成接近源支持的目标特征来最小化差异，该方法在图像分类和语义分割的几个数据集上优于其他方法。

    Dec, 2017

  • 通过最大均值差异优化训练生成神经网络

    通过最大均值差异的无偏估计作为双样本检验统计量，将深度神经网络视为生成器网络，将学习过程看做最小化二元检验统计量，通过实证比较及理论边界分析，探究了生成对抗网络框架及无参数核双样本检验框架的异同。

    May, 2015

  • 最大均值差异检验能够识别对抗性攻击

    本研究提出三个重要因素：有效的深度内核、极限统计应用、野外自助法，尤其是克服了对抗数据的非独立性问题。研究结果表明，最大均值偏差 (MMD) 测验可以检测到自然数据和对抗数据之间的分布差异，这为基于两样本检验的对抗数据检测开辟了一条新的道路。

    Oct, 2020

  • 重新思考最大平均差异用于域自适应

    本研究通过理论证明了 MMD 对源域和目标域内类距离进行最大化，并连带减少它们的方差以降低特征可分性；同时分析了内类距离和间类距离的关系，提出了一种新的基于判别性 MMD 的方法，实验表明其在几个基准数据集上的效果优于现有方法。

    Jul, 2020

  • 领域自适应神经网络用于物体识别

    该研究提出了一个结合最大平均差异（Maximum Mean Discrepancy）的正则化项和去噪自编码器预训练的神经网络模型，以解决目标识别中的领域自适应问题，实验表明，该模型在源域和目标域之间建立的潜在空间显著降低了分布不匹配问题，并且在原始像素和 SURF 特征数据集上均比同类别基准模型表现更优秀。

    Sep, 2014

  • 可解释分布比较中的最大均值差异的变量选择

    这篇研究论文研究了在两样本检验中的变量选择问题，基于最大平均差异（MMD）的两样本检验的能力，通过优化自适应相关检测（ARD）权重来确定引起两个分布差异的变量，提出了考虑稀疏正则化的两种方法以解决选择适当正则化参数的问题，并通过与基线方法的系统比较验证了所提出方法的有效性，在高维交通仿真数据的探索性分析中展示了所提方法的实用性，同时也提供了变量选择在两样本检验中的严格定义的初步理论分析。

    Nov, 2023